スキャンしたPDFをOCRで翻訳する方法（レイアウトを保つには）

スキャンしたPDFの翻訳は、ひとつの作業ではありません。まずOCRがあり、そのあとにレイアウトの再構築があります。スキャンの時点で間違えれば、どんな翻訳ツールでもそのページは救えません。

スキャンPDFが「レイアウトを保つ」通常の流れを壊す理由

ネイティブPDF（born-digital）は、選択できるテキストと（多くの場合）構造をすでに保持しています。一方、スキャンしたPDFは、ほとんどがページの写真です。翻訳ツールが語を別の言語へ移す前に、OCRエンジンがピクセルから語を推測し、そのうえで別の何かが翻訳を段組・表・余白へ戻さなければなりません。

この2段階の連鎖こそが、「OCR＋レイアウト維持」をネイティブPDFを翻訳して書式を保つ場合とは違うものに感じさせる理由です。Google CloudのDocument Translationのドキュメントも、この点を率直に認めています。スキャンしたPDFはネイティブのものより書式を失いやすく、とくに高密度の表、複数段のページ、ラベル付きのグラフで顕著だという指摘です。OCRは文字列を復元しますが、ピクセルから洗練されたデザインを再構築するのは、さらに難しい第二の作業です。

このガイドが扱うのはその交差点です。ファイルを分類し、スキャンを整え、レイアウトに正直な期待値を設定し、実用的なOCR→翻訳の流れを実行する方法をまとめます。手法の総まとめでも（それは2026年にスキャンPDFを翻訳する方法をご覧ください）、ツールの優劣を競う記事でもありません（製品選びが必要なときはスキャンPDF向けのOCRツールやスキャンPDFの翻訳ツールをご覧ください）。

画像だけ・ネイティブ・混在を見分ける方法

何かをアップロードする前に、これを済ませてください。間違った処理経路（ネイティブファイルへのOCR、またはスキャンへのテキストだけの解析）は時間を浪費し、エラーを紛れ込ませます。

種類	PDFビューアでの簡単な確認	どうするか
ネイティブ（born-digital）	実際の語をハイライトしてコピーできる。検索でフレーズが見つかる	テキスト層の解析を優先します。ページ全体へのOCRを無理にかけないでください — 正確なテキストを推測で置き換えてしまいます
画像のみ／スキャン	選択するとページ全体が1枚の画像としてハイライトされる（または何も選択できない）。検索しても使えるものが出ない	OCRを前提に計画します。レイアウトの品質はスキャン品質に連動します
検索可能なスキャン	ページは写真のように見えるが、検索やコピーがときどき効く	画像の下に不可視のOCRテキストがすでに存在するかもしれません。数ページで試し、隠れた層が文字化けしていたり不完全だったりするなら、信用せずに再OCRしてください
混在	選択できるページと画像だけのページが混ざっている（パケットスキャン＋デジタル表紙でよくある）	ページごとに振り分けます。「すべてネイティブ」「すべてスキャン」と決めつけるツールは、翻訳不足や過剰なOCRを招きます

実践的な確認（特別なソフトは不要）：

1. 1ページ目、中間、最終ページを開き、それぞれで1文を選択してみてください。
2. 画面に見えている固有の単語を検索で探します。ヒットしなければスキャン（または壊れたテキスト層）として扱います。
3. 200% にズームします。ぼやけてピクセルが見える文字は通常、紙の写真です。くっきりしたベクターは通常ネイティブです。
4. ハイブリッドの罠に注意します。デジタルの表紙＋スキャンした本文、あるいはネイティブのレポートに写真で撮った付録が1つ、といったケースです。最初のページだけでなく、セクションごとに分類してください。

Word・Google Docs・InDesignのソースがまだ手元にあるなら、それを翻訳して新しいPDFを書き出してください。平坦化されたスキャンへのOCRはフォールバックであり、レイアウトが重要な作業の理想的な経路ではありません。

OCR前のスキャン品質チェックリスト

OCRの精度とレイアウトの生存率は、同じ入力にかかっています。ベンダーのガイダンス（たとえばRWS Language WeaverのPDF処理に関する注意書きや、PairaphraseのOCRの準備）は、同じ下限値に収束しています。

要因	目標	なぜ重要か
解像度	本文は300 DPI以上。細かい脚注や高密度の表なら~600 DPIまで	約150–200 DPIを下回ると、典型的な誤認識（rn→m、0→O）が増えます。DPIを上げると小さい文字には効きますが、ある点を超えると主にファイルサイズが増えるだけです
傾き／向き	ページが正立・水平で、縦向きか横向きが一貫している	傾いたスマホ写真や回転の混在は、行の検出と読み順を乱します。回転補正を提供するAPIもありますが、それでも上流で直すほうが確実です
コントラスト	きれいな明るい背景に濃い文字。つぶれた白黒や薄れて灰色になった状態は避ける	コントラストが極端に高い、または低いと、細い線が塊や幽霊のような痕跡になります。かすれたインクには、強引な二値化よりグレースケールが勝ることがよくあります
遮蔽物	本文に重なるスタンプ、濃い透かし、折り目、裏写り、手書きがない	文字を覆うものはすべて、OCRが捏造したり読み飛ばしたりする「テキスト」になります
レイアウトの一貫性	スキャンを制御できるなら、1ファイル内のページテンプレートを似たものに揃える	複数段の雑誌ページと単純なレターを1回のOCRでまとめて処理すると、セグメンテーションが悪化します
手書き・文字の写真	弱い結果を想定する	手書きメモ、ホワイトボードの撮影、地図は今も難しく、手作業の抽出や人によるレビューを計画してください
言語	可能なら1ファイルにつき主要言語を1つにし、OCRツールで言語ヒントを設定する	探索空間を絞ると、辞書と文字体系モデルがよりよく働きます

再スキャンできる場合： フラットベッドまたはフィーダーで300 DPI以上、出力はPDF（ぼやけたJPEGの束ではなく）、ページをまっすぐにし、領域検出を混乱させる黒い枠線は取り除き、明るさは中程度に保ちます。再スキャンできない場合： PDF／OCRユーティリティで傾きを補正し、パンチ穴の余白を切り取り、複雑なレポートの不鮮明なFAXは翻訳後にクリーンアップの工程が必要だと受け入れてください。

「OCR＋レイアウト維持」に現実的にできること

基準はマーケティングの文言ではなく、文書の形で決めてください。

たいてい良好

• 1段のレター、単純なブロックの請求書、見出しが明確なレポートの、きれいで高DPIで正立したスキャン
• 画像のまま残り、近くのキャプションだけが翻訳されるロゴや写真
• 単純なページでの、おおよその段組と余白の維持

レビューが必要になりやすい

• 実際の表オブジェクトではなく罫線で作られた表 — テキストの伸長後にセルの境界がずれます
• 2段・3段の雑誌、サイドバー、引き込みの引用
• 本文に混ざったフォーム、スタンプ、署名
• 伸長する翻訳先言語（例：英語に対する多くの欧州言語） — 原文の言語に合わせた枠は、OCRが完璧でもあふれます

弱い、または純粋なOCR→PDFの範囲外

• 手書き、低コントラストのカーボンコピー、傾いたスマホ写真
• ラベルがアートワークの一部になっている高密度のグラフ
• ピクセルパーフェクトな印刷パンフレット — 編集可能なソースを優先してください

正直に言うと：OCRが与えるのは語とボックスです。OCR後の「レイアウト維持」とは、ツールが翻訳された文字列をそれらの領域に配置する（または似たページを再構築する）ことを意味します。スキャンの完全な複製を保証するものではありません。プレーンテキストのダンプだけでなく、プレビューできる再構築済みPDFを返すツールを選んでください。購入前チェックリストで「書式維持」が何を意味すべきか（表、フォント、画像、ページレイアウト）については、あわせてこちらのガイドをご覧ください：PDFを翻訳してレイアウトを保つ。ファイルがすでにネイティブPDF（選択できるテキスト）なら、スキャンのOCR経路ではなくOpenLのPDF翻訳を使ってレイアウト維持の翻訳を行ってください。

実践手順：スキャンPDF → OCR → レイアウトを意識した翻訳

1. ファイルを分類する — 上記の確認方法を使い、本当にネイティブなページではOCRを省きます。
2. スキャンを整える — チェックリスト（DPI、傾き、コントラスト、遮蔽物）に沿って準備します。ファイルが約200 DPI未満で紙がまだ残っているなら、再スキャンします。
3. 経路を選ぶ
   • オールインワンのOCR＋翻訳 — スキャンがきれいでレイアウト要件が中程度（クライアント共有、社内レビュー）なら、1回アップロードするだけです。
   • OCRを先に、そのあと翻訳 — 用語や法的な文言が重要な場合：検索・編集できる中間ファイルを作り、OCRの誤り（名前、数字、表のセル）を直してから翻訳します。
4. 言語と文字体系のヒントを設定する — OCRまたは文書ツールで行います。言語パックを間違えると、CJK、アラビア語、キリル文字、混在文字体系のページが静かに劣化します。
5. レイアウトの再構築を意識して翻訳する — チャット風の段落だけでなく、構造を持つPDF（またはDOCX）を出力する文書パイプラインを選びます。
6. 難しいページから抜き取り確認する — すべての表、すべての複数段見開き、ヘッダー／フッター、スタンプや図があるページを確認します。
7. PDFが行き止まりならエスカレーションする — レイアウトが最重要（印刷、規制対象の申請）なら、編集可能な原本を求めてください。

きれいなスキャンへのOCRとレイアウトのプレビューを1か所で済ませたいときの、控えめな製品ルートがこちらです。doc.openl.io 上のOpenLのスキャン文書翻訳です。サンプルで相性を判断してください。文書全体の処理は計算負荷が高いため有料です。デスクトップを離れているときは、iOS Doc Translatorアプリが端末上の文書処理とOCR中心の流れをカバーします。

支払う前にプレビューする

OCRとレイアウトの品質を確認する前にスキャンパケット全体の料金を払うと、使えないファイルを抱え込むことになります。

1. ファイルが本当にスキャンか（またはどのページがスキャンか）を確認します。
2. 代表的なサンプルをアップロードします — やさしいページを1つ、難しいページ（表または2段組）を1つ含めてください。
3. 語数だけの見積もりではなく、レイアウトが表示される無料または制限付きのプレビューを選びます。doc.openl.io/translate/scanned-document では、ファイル全体を決める前に毎日の無料プレビューを確認できます。
4. OCRの兆候を確認します：名前の文字化け、結合された段、表の中で入れ替わった数字、欠けたサイドバー。
5. それから初めて文書全体の料金を支払い、外部に共有する前に最初と最後のページ、そしてすべての表をもう一度確認します。

Sources

• Translate documents — Google Cloud Translation — スキャンしたPDFはネイティブより書式を多く失うこと、ネイティブ／スキャンが混在するコンテンツの注意点、スキャンPDF翻訳の向きに関する公式の説明
• PDF processing guidelines — RWS Language Weaver — MT前の300 dpi以上、傾き／コントラスト、手書きの限界、レイアウトの一貫性
• How to Extract Text From Scanned PDFs Reliably — OCRByte — ネイティブテキストへのフォールバック、傾き補正、コントラスト、言語ヒント、レイアウト対応OCRのチェックリスト
• Highest quality scanned document translation with OCR — Pairaphrase — 遮蔽物の除去と300–600 DPIでの再スキャンの指針
• Detect Scanned PDF Document — UniDoc — スキャンPDFとテキストPDFを見分けるヒューリスティックと、検索可能スキャンのエッジケース
• Scanned Document Translator — OpenL Doc — きれいなスキャン向けのOCR、レイアウトを意識した出力、支払い前の無料プレビュー