TIFF を TXT に変換

TIFF はほとんど偶然には生まれません。スキャナー、文書管理システム、記録管理部門、アーカイブ、FAX ゲートウェイから来て、中身は契約書、書簡、請求記録、案件ファイル、カルテ、議事録であることが多い形式です。

これは仕事の性質を変えます。写真から段落を書き写したいのではなく、大量の文書を検索可能にしたい、アーカイブから引用できるテキストを取り出したい、帳票の束から数字を拾いたい——そういう用途で、扱う分量が多く、精度も重視されます。

スマートフォンの写真を難しくする要因はすべて存在しません。ページはガラス面に平らに置かれるため遠近のゆがみがなく、照明は均一で影が落ちず、解像度は既知で一定、スキャナーは構造上つねに正しい距離に焦点を合わせています。

実際、300 dpi でスキャンされたきれいな印刷活字はほぼ完璧に読み取れます。これはこのサイトの写真向けのページでは望めない高い水準で、大量の認識作業がスマートフォンの写真ではなくスキャンから行われる理由でもあります。

まず解像度です。200 dpi を下回ると文字あたりのピクセル数が足りず、精度は急激に落ちます。300 dpi が実務上の標準で、小さな文字や状態の悪い原本には 600 dpi の価値があります。

次に原本そのものの状態です。FAX はよくある最悪のケースで、そもそも低解像度な設計のうえ、何世代ものコピーを経ていることも珍しくありません。カーボンコピー、色あせた感熱紙、印やペン書きの入った文書、活字の欠けたタイプライター書体もエラーの原因になります。傾いてスキャンされた場合は、認識の前に補正しておくべきです。

スキャナーは 1 個の TIFF に文書の全ページを収めることがよくあります。認識されるのはファイル内の最初の画像だけで、それより先に進むページ設定はありません。10 ページの文書からは 1 ページ目のテキストだけが返り、それ以上は何もありません。ほかの 9 ページについて何も告げず、出力はそこで単に止まります。

1 ファイル 1 ページでスキャンされた文書ならこれは問題になりません。束になった文書では、ページをここに来る前に分割しておくのが正直な答えです。分割は、スキャナーか記録システムの側で行うべき作業です。このページは、今すぐ読む必要がある文書のためのもので、書庫全体をデジタル化するためのものではありません。

認識は形をレターフォームと照合するだけで、文書の意味は理解しません。どこで自信がなかったかを示す手段もなく、間違いを含んでいても流暢で完成された文章として返ってきます。

記録の仕事ではこれがいっそう重みを持ちます。証券番号や日付、金額、事件番号の一桁の誤読は、ざっと読んで見過ごされやすく、あとで実害につながりやすい種類の誤りです。何かのシステムに入れる前、束ねる前、引用する前には、必ず元のページと突き合わせて確認してください。

アーカイブ用途では、プレーンテキストはスキャンを価値あるものにしていたページ自体の画像——それこそが記録です——を捨ててしまいます。検索可能な PDF ならその画像を保ったままテキスト層を裏に持たせるので、文書は見た目そのままに、印刷もでき、検索もコピーもできます。

プレーンテキストが正しい選択なのは、単語そのものを引用や索引、別の処理の入力として使いたい場合です。100 ファイルを変換する前に、どちらが本当に必要かを決めておく価値があります。この 2 つの作業は変換の直後から枝分かれします。

認識処理は開いているタブの中、あなたの端末の処理だけで行われます。アップロードがないので、サーバー側の保存も、保存期間についての問い合わせも、アカウントも、日ごとの上限もありません。

署名済みの契約書、カルテ、裁判関連書類、保険金請求書——これらのファイルによく入っている内容を考えると、これはただの機能説明ではなく、ホスト型サービスとの実質的な違いです。依頼人の文書を第三者に送るために誰かの許可が要るかどうか、という気まずい問いも同時に消えます。