本文へ移動
YOBITSUGI AIメディア
AI ニュース人が監修しながらAIを活用して執筆

スキャンの読み取り17通りを比較、正確さはOpus 5.5が首位

執筆・監修: 佐々木 航公開 更新 5 分で読めます

共有XFacebookLINEはてブ

かすれたレシートを読ませると、GPT-6 Lunaは、紙に書かれていないカードの番号やWi-Fiのパスワード、サーバーの名前を書き足しました。3回試して3回とも同じでした。複数の提供元のAIをまとめて使えるOpenRouterが11月10日に公開した、スキャンした文書の読み取り(OCR)の比較の一場面です。最も正確だったのはClaude Opus 5.5で、安さとのつり合いではMistral OCRが目立ちました。

8ページを、16のAIとTesseractで読む

OpenRouterは、答えが分かっている文章から8ページを作り、少し傾け、ぼかし、ノイズを足して、スキャンしたような画像にしました。5ページは普通の書類で、レシート、わざと綴りを間違えた手紙、チェック欄のある申込書、2段組みのお知らせ、きれいな手書きのメモです。残りの3ページは難しく作ってあり、かすれた感熱紙のレシート、急いで書いた手書き、似た字(0とO、1とIとL、5とS、8とB)を並べた12個の製造番号の低画質のファクスです。

採点は2通りです。1つは文字の誤りの率、もう1つは、合計の金額や日付、カードの下4けた、製造番号など、実際の業務で使う88の値が3回とも正しく読めたかで、1つのモデルにつき264回の確認になります。比べる相手は、画像を読める15のAIと、文書の読み取り専用のMistral OCR、無料のOCRのTesseractで、文書はすべて英語です。

モデル正しく読めた値1,000ページの費用
Claude Opus 5.5262$16.42
Mistral OCR読み取り専用258$2.02
Claude Sonnet 5.5256$7.68
Gemini 3.8 Flash254$7.50
Ling 3.0 Flash VL254$0.12推論を切ると$0.04
Claude Haiku 5.5253$0.46
Grok 4.7252$12.85
GPT-6.1 Sol252$6.03
DeepSeek V4.1 Flash248$0.20
Mistral Large 4240$6.80推論を切ると249・$1.68
GPT-6 Luna232$0.54
Tesseract 5.5手元で1回4688回のうち$0

正しく読めた値は264回のうちの数。16の読み取りのうち主なものを抜き出しました。費用は10月8日時点のOpenRouterでの実際の請求額です。

普通の5ページは、どのAIも誤りの率が0.3%未満で、きれいな手書きは15のAIすべてが完璧に読みました。差がついたのはかすれたレシートで、Opus 5.5とMistral OCRは33の確認をすべて通りましたが、GPT-6 Lunaは16でした。Tesseractは手紙とお知らせは完璧に読んだ一方、かすれたレシートでは何も返しませんでした。

気をつけたい誤り

いちばん危ない誤りは、もっともらしいが紙にない値です。GPT-6.1 Solは、3回とも違う作り話のパスワードを出してきました。分からない字は「[?]」と書くよう頼んでも、7つのモデルのうち4つは一度も使いませんでした。

ほかにも誤りの型があります。0とOの見分けでは、15のモデルのうち13が少なくとも1回は製造番号を読み違え、毎回正しかったのはClaude Sonnet 5.5とGPT-6.1 Solだけです。綴りをそのまま写すよう頼んだのに、45回の読み取りのうち16回は手紙のわざとの誤字を直してしまいました。Claude Sonnet 5.5とHaiku 5.5は、申込書のチェック欄の文字は写しても、どれに印があるかを落としました。

推論を切る、2つで見比べる

字を写すだけの仕事に、考える手順はあまり要りません。推論を切れる5つのモデルで試すと、4つは速く安くなり、正しく読めた値は減りませんでした。Mistral Large 4は推論ありでは1回に626秒考えて何も返さないこともありましたが、切ると正しく読めた値が240から249に増え、費用は4分の1になりました。逆にQwen3.8 27Bは、推論ありのほうが少し良い結果です。Gemini 3.8 Flashは推論を切れず、出力の上限を4,000トークンにすると、考えるだけで上限に達して途中で止まりました。応答は正常として返るため、止まった理由の欄を見ないと短い読み取りを見逃します。

また、見落としを減らす方法として、別の会社の安いモデルを2つ並べる手も試しています。Claude Haiku 5.5の読み取りをDeepSeek V4.1 Flashと比べ、食い違った語だけを人が見ると、35個の誤りのうち34個を拾えました。費用は1,000ページで$0.62です。

読み取れること

もっともらしい作り話は、文字の誤りの率には表れにくい誤りです。業務の書類を読ませるときは、誤りの率より、使う値が紙のとおりかを確かめる仕組みのほうが大事になります。製造番号のような値は一覧や検査用の数字で照らし、2つのモデルの食い違いを人が見る形なら、安いモデルでも守りを固められます。

ただ、検証は英語の8ページだけで、漢字を使う書類や縦書き、日本の帳票は試していません。だから、日本語の書類で使うなら、文書の読み取りの手順の記事も参考に、自分の書類を何枚か読ませて比べるのが確実です。

YOBITSUGI AIで使えるか

YOBITSUGI AIでは、表のうちClaude Opus 5.5・Sonnet 5.5・Haiku 5.5、GPT-6.1 Sol・GPT-6 Luna、Gemini 3.8 Flash、Grok 4.7を使えます。Mistral OCRとLing 3.0 Flash VLは使えません。

出典

共有XFacebookLINEはてブ