Column
VLM OCRと従来OCRの使い分け｜日本語文書を業務導入する前の検証ポイント
画像から文字を読み取れたとしても、デモで読めることと業務で安定して使えることは別です。品番の1文字違い、金額の桁落ち、表の行の取り違えは、出力が自然でも業務上は誤りになります。
VLMを使ったOCRを検討するときは、自社の画像で何を正解とし、どこまで自動確定してよいかを先に決めます。本記事はPGPによるモデル比較の実測結果ではなく、日本語文書の業務導入に向けた検証項目を整理したものです。
1. VLM OCRとは — 何を取り出すかを先に決める
VLM（Vision-Language Model）は画像と言語を扱うモデルで、文字認識や項目抽出にも利用できます。OCRは文字を読み取る処理の目的、VLMはそれを実現する方法の一つなので、互いに排他的な分類ではありません。従来のOCRにも深層学習を使うものがあります。
ここでは文字の検出・認識を中心とする方式を「従来OCR」、画像と言語を扱う生成モデルを利用する方式を「VLM OCR」と呼びます。比較前に、必要な成果物を区別しましょう。
- 文字の転記：画像にある文字を、抜けや補完なく取り出す。
- 項目抽出：請求金額や品番など、見出しと値を対応付ける。
- 表の構造保持：行・列・結合セルと値の関係を保つ。
- 全文検索用の変換：文書を検索できるテキストにし、元ページへ戻れるようにする。
検索に使える出力でも、そのまま金額登録に使えるとは限りません。目的ごとに評価対象を変える必要があります。
2. 従来OCRとVLMをどう使い分けるか
固定帳票なら、必要領域の切り出し、OCR、桁数などの形式検証を組み合わせた構成を比較の出発点にできます。書式が多い文書や、見出しと値の関係を読み解く必要がある場合は、VLMも候補になります。ただし、柔軟な指示ができることと、抽出値が正しいことは別です。
Qwen3-VLの公式資料では、OCRや文書解析、実行方法が紹介されています。こうした機能紹介は候補を探す手掛かりになりますが、自社の日本語帳票での精度や所要時間を保証するものではありません。
組み合わせるなら「前処理 → 従来OCR → 必要箇所をVLMで処理 → 不一致や検証不通過を人が確認」という構成も考えられます。両方式が同じ誤りを出す可能性もあるため、一致だけで正解と決めず、正解データとの比較が必要です。方式を増やすことで処理時間や保守箇所も増えるので、単独構成と同じ条件で比較します。
3. 日本語評価には、実際に困る画像を含める
見やすいサンプルだけでは、現場での失敗を把握できません。普段の文書の割合を反映した画像に加え、次のような難しい条件を分けて評価します。
- 漢字・かな・英数字の混在、全角と半角、似た形の文字、長い番号。
- 印影や手書きの重なり、小さい文字、薄い印字、傾き、影。
- 結合セル、空欄、複数ページにまたがる表、行の多い明細。
正解データには表記ルールも必要です。全角・半角を同じと扱うか、番号の先頭ゼロを残すか、空欄と読み取れない値をどう区別するかを決めます。正規化前の出力も残すと、変換によって誤りが隠れていないか確認できます。
指示や前処理の調整に使う画像と、最後の評価に使う画像は分けてください。同じ文書のほぼ同一画像が両方に入らないようにし、最終評価後に設定を変えた場合は、未使用の画像で改めて確認します。
文書OCRの結果を金属刻印へそのまま当てはめることもできません。刻印は反射や凹凸、照明条件を含む別の検証が必要です。撮像側の考え方は外観検査の照明設計でも解説しています。
4. 誤読とハルシネーションを、業務への影響で評価する
文字の置き換わりだけでなく、欠落、挿入、原画像にない内容の補完を調べます。空白画像や読めない画像を入れたときに、値を作ってしまわないかも評価対象です。
olmOCRの公式更新履歴には、白紙でのハルシネーションを修正した例があります。これは特定の実装・バージョンの事例ですが、文字がある画像だけでなく「出力すべき文字がない画像」も試す理由になります。すべてのVLMで同じ挙動になるという意味ではありません。
検証記録には、少なくとも次の指標を残すと判断しやすくなります。
- 重要項目の完全一致率：評価対象の品番・金額などのうち、項目全体が正解と一致した割合。欠落も誤りとして数えます。
- 人確認率：全処理件数のうち、人に確認を回した割合。件数に加え、確認に要した時間も残します。
- 自動確定した結果の残存誤り：自動確定した項目のうち、後から正解と照合して誤りが見つかった数と割合。自動確定が0件なら割合は算出せず、その旨を記録します。
- 構造の誤り：値自体が読めていても、別の行や項目に割り当てたケースを別集計します。
すべてを人に回せば自動確定の誤りは減らせますが、自動化の効果も小さくなります。精度と確認量をセットで見てください。また、評価で誤りが0件でも、未評価の文書で誤らない保証にはなりません。件数と画像条件も併記します。
桁数、日付、マスタ照合、チェックデジットなどの検証は有用です。ただし、誤読した番号が別の有効な番号になるような、形式検証を通る誤りもあります。項目ごとに許容条件と人へ回す条件を決め、読めない場合は値を保留できる運用にします。
5. ローカル実行は、モデル以外の構成も確認する
社内のPCやサーバーで推論できることと、システム全体が外部へデータを送信しないことは別々に確認します。モデルの取得・更新、ログ収集、連携先への通信まで含めて構成を確認してください。
- モデル名とバージョン、実行ソフト、GPUとメモリ、入力解像度、同時処理数。
- モデルやソフトの取得・更新時と、通常運用時の外部通信。
- 原画像・抽出結果・ログの保存先、保存期間、アクセス権限。
- ソフトウェアとモデルそれぞれの利用条件、更新と障害対応の担当者。
Qwen3-VLの公式資料には画像解像度の調整や実行例もあります。メモリを抑えるために画像を縮小したり量子化したりした場合は、実際に運用する設定で重要項目を再評価します。
ローカル構成でAPIの従量料金が発生しなくても、機材、電力、保守、人による確認には費用がかかります。月間処理量と確認工数まで含めて比較することが大切です。
6. 処理時間は、画像受取から業務登録まで測る
推論時間だけが短くても、再処理や確認待ちが多ければ業務は終わりません。画像を受け取ってから登録が完了するまでの総時間と、次の内訳を分けて記録します。
- 前処理：画像変換、切り出し、傾き補正など。
- 推論：OCRやVLMによる認識・抽出。
- 出力整形と検証：項目への変換、形式チェック、マスタ照合。
- 再処理と人確認：失敗時の再実行、確認待ち、修正作業。
- 業務システムへの登録：連携先の応答待ちや登録失敗への対応。
起動直後と連続運転、単件と同時処理で条件を分けます。平均だけでなく、遅い文書、タイムアウト、失敗件数も残し、成功したものだけで時間を比較しないようにします。
ラインのタクトに間に合わせる処理と、翌朝までに終わればよい夜間バッチでは合格条件が違います。比較結果にはモデル版、機材、解像度、指示、出力形式を添え、再現できるようにしておきます。
7. 初期検証で決めておくチェックリスト
検証を始める前に、以下を1枚に整理すると、結果から次の判断につなげやすくなります。
- 対象：文書の種類、取得方法、月間件数、取り出す項目。
- 正解：正解データの確認者、表記ルール、空欄・読取不能の扱い。
- 合格条件：項目別の許容誤り、完了までの時間、人確認に使える量と時間。
- 比較方式：従来OCR、VLM、組み合わせを、共通の最終評価画像で比較。
- 運用条件：実行場所、連携先、失敗時の保留・再処理・人確認、保守担当。
成果は、読めた画像の一覧だけではありません。失敗画像と原因を残し、モデルの変更、撮像・前処理の改善、確認フローの見直しのどれが必要か判断できることが重要です。本番との条件差を整理する際は、画像処理PoCから本番導入へ進む際の論点も参考にしてください。
まとめ
VLM OCRの導入は、モデルの新しさだけで決めず、対象画像、誤りの影響、処理時間、運用負担をそろえて評価します。従来OCRも比較に残すことで、必要な構成と人が確認する範囲を判断しやすくなります。
PGPでは、対象、現在困っている点、必要な処理時間を伺い、撮像や前処理も含めた検証内容を整理します。AI-OCR・刻印文字認識のサービス内容をご覧いただくか、OCRの対象・読取条件について相談するからご連絡ください。
参考資料の確認日：2026年10月18日。モデルの機能・実行要件は更新されるため、採用するバージョンの公式資料を確認してください。
Related Services