テキスト抽出を手軽にする OCR Robot の紹介
「一枚の絵は千の言葉に値する」という格言は、多くの言語にあります。それには理由があります。視覚野は脳の中で最も強力な部分といえ、それを活用した意味の伝達も大きな力を持ちます。/image/describe Robot の登場により、開発者は大手クラウドベンダーが訓練した AI モデルの視覚野を活用できるようになりました。今回はさらに一歩進めて、画像内の物体を認識するだけでなく、そこにある文字も読み取ります。
交通標識やメニューの写真を思い浮かべてください。ほとんどの人はその内容を理解できますが、機械にとっては長らく意味を読み取れないものでした。それを変えたのが、画素の集まりから文字をほぼ読み取れる、強力な新しい OCR モデルです。
/image/ocr Robot を紹介します。AI Robot ファミリーの最新メンバーです。バックエンドには AWS または GCP を使用でき、provider パラメーターで簡単に切り替えられます。一方のプロバイダーで望ましい結果が得られない場合は、同じ Robot インターフェースでもう一方を試せます。認識結果はプロバイダーごとに異なる場合があり、モデルの進化に伴って変わることもあります。特定の応答を前提とせず、実際の用途を代表する画像でテストしてください。

画像からのテキスト抽出
この新しい Robot を手軽に使えることを示すため、次の Template を順に説明します。
{
"steps": {
":original": {
"robot": "/upload/handle"
},
"image-ocr": {
"use": ":original",
"robot": "/image/ocr",
"format": "text",
"provider": "aws"
},
"exported": {
"use": ["image-ocr", ":original"],
"robot": "/s3/store",
"credentials": "YOUR_AWS_CREDENTIALS",
"acl": "bucket-default",
"path": "ocr/${unique_prefix}/${file.url_name}"
}
}
}
Transloadit にファイルを取り込む方法は多数ありますが、ここでは /upload/handle Robot を最初の Step、:original で使用します。
画像認識は次の Step、image-ocr で行います。ここでは :original を
/image/ocr Robot に渡し、結果をテキストファイルで返すように format パラメーターを指定します。format を省略すると、Robot は JSON を出力します。また、バックエンドの AI プロバイダーには aws を指定しています。ここに gcp と記述すると、代わりに Google Cloud が選択されます。text 形式でもテキストファイルが生成されますが、認識される単語や、そのグループ分け、順序は異なる場合があります。
抽出後、テキストファイルと元の画像の両方を S3 バケットにエクスポートします。YOUR_AWS_CREDENTIALS を、保存済みの Template Credentials の名前に置き換えてください。共通の認証情報の作成手順と
S3 設定ガイドに従い、自身のバケットと、範囲を限定したアクセスを設定してください。この例では bucket-default を使用してオブジェクト ACL を省略しています。Block Public Access は有効なままにし、公開読み取りを許可するバケットポリシーは追加しないでください。一意のパスにより、同じファイル名の別のアップロードを上書きしないようにしています。
テスト
次の画像で Template をテストしてみましょう。
Robot は認識前に、この SVG などの画像形式をプロバイダーに対応したラスター画像に変換します。このロゴでは、次のようなテキスト結果が得られる場合があります。ただし、毎回同じつづりや大文字・小文字が再現される保証はありません。
Transloadit
まとめ
今回は簡単な紹介として、/image/ocr Robot を使ってワークフローにテキスト抽出を追加する方法を説明しました。
さらに、Transloadit の組み合わせやすい設計により、全 96 個の Robot をつなぎ、用途に合わせた独自のワークフローを構築できます。つまり、OCR の Step は、複雑な仕組みを構成する多数の歯車の一つにもなります。紹介したように、この設定には宣言的に記述した JSON の処理設定だけで十分です。結果がアプリケーションの要件を満たすか検証してください。特に、認識したテキストに基づいて判断を下す前には、必ず検証してください。
AI 機能の利用可否、プランに含まれる利用量、現在の処理料金については、料金ページをご覧ください。
