従来のOCRが抱えていた「ページ数の壁」
書類をスキャンしてテキスト化する作業は、フリーランスや個人事業主の現場でも意外と頻繁に発生します。契約書のPDF、研究論文のコピー、古い取扱説明書……。ページ数が少なければ既存のOCRツールでも問題ありませんが、40ページを超えたあたりから処理が急激に遅くなったり、精度が落ちたりする経験をお持ちの方も多いはずです。
従来のOCR技術は、長い書類をそのまま一度に処理するのが苦手でした。ページをある程度のかたまりに分割して処理するため、ドキュメントが長くなるほどメモリの使用量が膨らみ、速度も低下します。実際に、40ページ前後の書類で35%ほど処理速度が落ちるという報告もあります。こうした問題を正面から解決しようとしたのが、百度のチームが開発した「Unlimited OCR」です。
「Unlimited OCR」が採用した新しいアプローチ
Unlimited OCRの核心にあるのは、「Reference Sliding Window Attention（R-SWA）」と呼ばれる仕組みです。名前は少々難しく聞こえますが、要するに人間が長い文章を読むときの記憶の使い方を模倣した設計です。人は本を読むとき、前のページの内容をすべて脳に残したまま読み進めるわけではなく、重要な情報だけを頭の片隅に置きながら次のページに進みます。Unlimited OCRもこれに近い処理をすることで、どれだけページ数が増えても使用メモリをほぼ一定に保てるようになっています。
モデル自体は30億パラメータ（3B）と決して小さくはありませんが、実際に推論する際には約5億パラメータだけが動くように設計されています。これにより処理速度が維持され、40ページを超えるドキュメントでも1回の処理で最後まで読み切ることができます。精度面では、OCRの評価指標であるDocB v1.6で93%を記録し、従来の比較モデルよりも6ポイント高い数値を出しています。エラー率についても40ページ超の条件下で0.11未満と安定しています。
どんな場面で使えるのか
具体的にイメージしやすい例を挙げてみます。たとえば、翻訳フリーランサーが長い契約書や技術マニュアルをテキスト化したいとき、あるいはリサーチャーが100ページを超える英語論文の内容をざっくりデータとして取り出したいとき、こういった場面でUnlimited OCRは力を発揮しやすいです。また、図書館や文書管理を請け負う業者、法務関連の書類整理を行う方にとっても、処理速度が安定しているという点はかなり実用的なメリットになります。
一方で、現時点では日本語対応についての明確な記載がなく、英語と中国語が中心の設計とされています。日本語の書類を処理したい場合は、実際に試してみるまで精度が読めない部分があります。また、入力できるテキストの上限は32Kトークンに設定されており、非常に大量のページを一度に流し込む場合は事前の確認が必要です。オープンソースモデルであるため、技術的な知識があればカスタマイズも可能ですが、「すぐに使えるSaaSサービス」としてはまだ提供されていない点も念頭に置いておくと良いでしょう。
競合ツールとどう違う？
Unlimited OCRが基盤として使っているのはDeepSeek OCRというモデルです。ただし、DeepSeek OCRにはページ数が増えるとメモリが膨らむ問題が残っており、Unlimited OCRはそこを改良した形になっています。つまり、「DeepSeek OCRの弱点を百度が補完した」というイメージに近いです。既存の商用OCRサービスと比べると、完全無料・オープンソースで使えるのはコスト面で大きな利点ですが、セットアップや運用には一定の技術的なハードルがあります。
フリーランスへの影響
このモデルが実用レベルで日本語に対応するようになれば、長い書類のテキスト化を日常業務にしているフリーランサーにとって、処理時間の短縮と手作業の削減につながる可能性があります。たとえば、翻訳や校正、文書整理を請け負っている方が、大量スキャン書類の前処理にかける時間を減らせるかもしれません。
ただ現時点では、日本語精度の不透明さとセットアップコストがあるため、ITに慣れていない方がすぐに業務に組み込むのはやや難しいかもしれません。技術的な実装ができる環境がある方や、英語・中国語の書類を扱うことが多い方には、早めにテストしてみる価値があります。そうでない方は、日本語対応の続報を待ちながら様子を見るのが現実的な判断です。
まとめ
百度の「Unlimited OCR」は、長文ドキュメントのOCR精度と処理速度を同時に改善したオープンソースモデルです。英語・中国語の書類をよく扱う方や、技術的な実装ができる環境がある方は、まずGitHubリポジトリを確認してみるのがおすすめです。日本語書類への活用を考えている方は、対応状況のアップデートをしばらく追ってみてください。
参考リンク：https://github.com/PaddlePaddle/PaddleOCR
コメント