画像から文字起こしを無料でやる方法 — スマホ・スキャン・スクショ別の最適手順

なぜ画像から文字起こしするのか

「画像に写っている文字をテキスト化する」という作業は、地味に見えて生産性インパクトの大きい作業です。1 枚の写真を 30 分かけて手で書き写すか、5 秒で 95% の精度で抽出してから残り 5% を直すか——後者を選べる時代になりました。実務でよく出てくる用途は次のとおりです。

• 議事録の作成: 会議のホワイトボードや配布資料を撮影しておき、後で文字起こし。手入力の半分以下の時間で完了。
• 名刺管理: 受け取った名刺を 1 枚撮るだけで、会社名・氏名・連絡先を CRM やメールアプリに転記。
• 書籍からの引用: 紙の書籍の一節を撮影し、引用部分を素早くデジタル化。原稿に挿入。
• 翻訳前の下準備: 海外旅行先のメニュー・標識・パンフレットを撮影 → テキスト化 → 翻訳サービスへ貼り付け。
• SNS 画像のテキスト確認: Instagram カルーセルや X 画像投稿の文字量を、公開前に 写真の文字数カウントでチェック。
• 古い印刷物のデジタル化: 図書館で借りた本のページ、家族の手紙、古いマニュアルなどを少しずつデータ化。

従来はクラウド型の有料 OCR サービス（ABBYY FineReader、Adobe Acrobat、Google Cloud Vision など）が定番でしたが、無料・登録不要・ブラウザだけで動く選択肢が増えてきたため、「ちょっと使いたい」用途ならクラウドにアップしなくても十分です。

AI モード vs 端末内 OCR の選び方

2026 年現在、画像 OCR には大きく分けて 2 系統の技術が使われています。マルチモーダル AI（Gemini、GPT-4o、Claude 3.5 など）と、専用 OCR エンジン（Tesseract、PaddleOCR、Azure Vision など）です。それぞれ得意・不得意が違うので、用途で選ぶのが正解です。

マルチモーダル AI は、文字を「読む」のではなく「理解する」ところまで一気にやる発想で動きます。崩し字でも前後の文脈から推測できるし、表組みのレイアウトを保ったまま起こせるし、写真の影や歪みがあっても許容します。一方で 1 回の処理が比較的高コストで、画像を AI サーバーに送る必要があるためプライバシー面では一段落ちます。

専用 OCR エンジンは、文字 1 つ 1 つを画像認識して取り出す純粋な「読み取り」処理です。前処理（二値化・歪み補正・ノイズ除去）の質がそのまま結果に直結します。完全にブラウザ内（あるいはローカル）で完結できるため、機密書類や個人情報を扱う場合の第一選択肢。代わりに、画像品質が悪いと一気に精度が落ちます。

ベンリーの 写真の文字数カウントはこの 2 系統を 1 つの UI で切り替え可能にしているのが特徴です。デフォルトは「AI モード（Gemini）」、上限到達・エラー時は自動で「OCR モード」（Tesseract または PaddleOCR）にフォールバック。プライバシー重視なら最初から「OCR モード」を選択しておけば、画像はブラウザから外に出ません。

シーン1: スマホで撮った紙の書類・板書

もっとも頻度の高いシーンです。会議のホワイトボード、研修の配布資料、紙のメモ、レシート、本の 1 ページ——スマホで撮ったあとどうするか。基本フローは次の通り。

1. 撮影段階で勝負が決まる。明るい場所で、文字と垂直に近い角度で、ピントを文字に合わせる。画面いっぱいに文字を入れる。これだけで OCR 精度が 20% は変わる。詳細は OCR 精度を最大化する撮影・前処理テクニックで深掘りしています。
2. スマホから PC へ転送。AirDrop、Google フォト、LINE Keep、Slack のセルフ DM など、自分が一番速い手段で。ファイルサイズは 1〜3MB に収まるはず。
3. ベンリーの 写真の文字数カウントにドラッグ&ドロップ。AI モードがデフォルトで選ばれているので、そのままアップロード。3〜5 秒で結果が出る。
4. テキストエリアからコピー。すぐに Word・Notion・メールアプリへ貼り付け。文字数も同時に表示されるので、レポート分量の把握にも使える。

スマホからそのままアップロードしても同じツールが動きます。モバイル版ブラウザでも UI は変わらず、写真ライブラリから直接選択 → 認識 → コピーまで完結します。

シーン2: スキャナーで取り込んだ書類

複合機やドキュメントスキャナで取り込んだ PDF・画像から文字起こしする場合は、スマホ撮影とはまた違うコツがあります。スキャンは「均一な照明・正面・高解像度」が保証されているため、OCR の理想的な入力です。一方で 解像度・カラー設定・余白を間違えると精度が出ません。

• 解像度は 300dpi 以上。スキャナのデフォルトが 150dpi になっていることが多いので、設定を確認。小さい文字（脚注・本文）が混ざる場合は 400〜600dpi 推奨。
• カラーモードは「グレースケール」または「白黒」。カラースキャンは情報量が多いが、OCR にとってはノイズになりやすい。スキャナ側に「文書」モードがあればそれを選択。
• 余白を切り詰める。元書類の周りに大きな余白があると、ツール側の自動領域検出が外れることがある。スキャナのトリミング機能か、画像編集で余白をカット。
• PDF で出力された場合は画像化が必要。詳細は後述の「PDF から文字を抜き出す手順」を参照。

準備が整ったら、ベンリーの 写真の文字数カウントへドラッグ&ドロップ。スキャン書類は前処理が綺麗なので、AI モードでも OCR モード（特に高精度 PaddleOCR）でも好結果が得やすいです。機密度が高い社内文書なら OCR モードを選択してください。

シーン3: PC のスクリーンショット

「ブログ記事のスクショ」「ゲーム画面のセリフ」「PDF ビューアでテキスト選択できない箇所」「他人の Slack 投稿のスクショ」など、PC で撮るスクショからの文字起こしも頻出です。Windows の Snipping Tool、Mac の Cmd+Shift+4、Chrome の DevTools フルページキャプチャ——撮り方は何でも構いません。

スクショ特有の落とし穴は 解像度の縮小と 圧縮です。スクショを Slack や LINE で共有 → ダウンロードした画像は、サーバー側で再圧縮されて画質が落ちていることがあります。ぼやけた文字は OCR が苦戦するため、元のスクショ（共有前のオリジナル）を使うのが安全です。

1. スクショを撮る（オリジナルを保持）
2. 必要に応じてトリミング（文字部分だけに）
3. 写真の文字数カウントへドロップ
4. AI モードで一発抽出、テキストをコピー

Web 記事のスクショから引用したいとき、もとのページが選択不可（Right-click 無効化、画像化されたテキスト）でも、スクショ → OCR → テキスト化 という流れで突破できます。引用ルールには注意してください（出典明記、適切な範囲）。

縦書き・古典・手書きを抜き出すコツ

横書き印刷物に比べて、縦書きと 手書きは OCR の難敵です。それぞれの対処法を整理します。

縦書き（小説・書道・古典）

普通の OCR エンジンは横書き前提でレイアウト解析するため、縦書きをそのまま入れるとぐちゃぐちゃの結果になります。ベンリーの 写真の文字数カウントは OCR モードの「詳細設定 → 縦書きとして認識する」をオンにすることで、Tesseract の縦書き専用言語データ（jpn_vert）を読み込み、縦の文字配列を正しく解釈します。初回のみ約 3MB の追加ダウンロードがありますが、以降はキャッシュされます。

AI モード（Gemini）も縦書きを理解できますが、「右から左へ列をたどる」ルールは時々誤認します。長文を起こすなら OCR モード（縦書きチェック ON）が安定します。

手書き

手書きはコンテキスト推論が必須なので、AI モードが圧倒的に有利です。ボールペンで書いた走り書き程度なら Gemini は十分に読みます。崩した行書や続け字は AI でも難しいので、撮影段階で「ブロック体ではっきり書く」ことが大事。完璧を期待せず、AI の出力を下書きとして人間が校正する、という運用が現実的です。

古典（くずし字・変体仮名）

古文書・変体仮名の認識は専用モデル（みを：くずし字 OCR、KuroNet など）の領域で、汎用 OCR や汎用 AI では精度が出ません。研究用途なら国立国語研究所などの専用サービスを使ってください。

PDF から文字を抜き出す手順

「PDF が選択不可で困った」というシーンも頻出です。PDF には大きく 2 種類あって、テキストレイヤーがある PDF（Word から書き出した PDF、組版された電子書籍など）と、画像 PDF（スキャナで取り込んだだけの PDF）があります。前者は普通にコピペすれば良いだけ。問題は後者です。

画像 PDF からテキストを抽出する流れは:

1. PDF を画像化: Mac の「プレビュー」アプリで PDF を開き、各ページを JPEG・PNG として書き出し。Windows なら Adobe Acrobat、または無料の「PDF Sam」「Smallpdf」など。複数ページなら 1 ページずつ。
2. 1 枚ずつ 写真の文字数カウントへ: AI モードでもブラウザ完結の OCR モードでも好きな方で。
3. 結果を順番に貼り付け: 1 ページずつテキストエリアからコピーして、Word・Notion・Markdown ファイルに集約。

枚数が多い場合は、PDF をテキスト化する専用サービス（Adobe Acrobat の OCR 機能、Google Drive の「PDF をテキスト変換」機能）の方が一括処理できて早いです。10 ページ以下ならベンリーの方が手軽です。

機密情報を扱うときの注意

OCR は便利ですが、画像をどこに送るかで 情報セキュリティのリスクがまったく違います。整理しておきましょう。

業務で扱う書類が「もし漏れたら問題になるか」を 1 度立ち止まって考え、その答えが「Yes」なら端末内処理（ベンリーの OCR モード、iPhone のテキスト認識、社内オンプレ OCR）に絞るのが基本です。