doc2aiキット — スキャンPDFをローカルOCR＋LLMでMarkdown化

●できること

スキャンPDF・Word・画像を、お使いのPC上だけで Markdown にする手順とスクリプト一式です。ローカルOCRのあと、ローカルLLMで補正します。

主成果物: Markdown（見出し・表を可能な範囲で保持）

おまけ: ローカルLLMファインチューニング用 JSONL

処理レポート（ページ数・所要時間・OCR信頼度）

OCR は PaddleOCR（横書き）と NDLOCR-Lite（縦書き・国会図書館 / CC BY 4.0）、補正は localhost の OpenAI 互換 API（著者実測は LM Studio）です。外部APIへ送る設計にはしていません。localhost 以外は実行前に停止します。

●できないこと

文書の預かり処理代行ではありません。 購入者ご自身のマシンで実行してください

クラウドOCR／ChatGPT へのアップロード代行でもありません

「どんな段組み・雑誌でも完璧」という製品でもありません（制限は手順書に明記）

秘匿が必要な文書ほど、業者に預ける時点でリスクが残ります。本商品は 自走のためのキット です。

●誰向けか

社内マニュアル・手順書を外に出せないが、Markdown 化は進めたい方

すでに ローカルLLM（LM Studio / Ollama など）を動かしている方

OCR→Markdown→ローカルLLM補正の流れを、自分のPCで試したい方

EVO-X2 や ROCm は必須ではありません。 OCR は CPU 実測です。AMD ミニPCから環境を組み立てたい場合は、別売の Zenn本『EVO-X2で始めるローカルAI実践ガイド』が詳しいです。本商品は 文書→Markdown に特化しています。

●同梱内容

内容 説明

doc2ai スクリプト一式 PDF / Word / 画像 → Markdown（おまけで JSONL）

requirements.txt / requirements-paddle.txt 著者実測のピン留め（paddle 3.3.1 / paddleocr 3.5.0）

購入者向けセットアップ手順 venv・PaddleOCR・NDLOCR-Lite・補正用 API

使い方とオプション一覧 --ocr-engine auto など

実測レポート要約 20ページ紙スキャン・CER・処理時間

品質方針の解説 忠実転記・外部URL拒否など

縦書きメモ NDL と Paddle の使い分け・制限付き範囲

ライセンス注意 NDLOCR のクレジット表示義務など

実測の抜粋（著者環境）

自作手順書を印刷・スキャンした20ページで、

端到端 約12分46秒（1ページあたり約38秒）

本文の文字精度 約97.3%（図から拾ったゴミを除く CER 2.69%）

環境や原稿密度で時間は変わります。帳票のように行が多いページは遅くなります。手順書に「100ページ目安」の表を入れています。

●必要なもの（購入者側）

Windows PC（OCRは CPU。補正の実測はローカルLLM環境）

Python 3.10系

補正用: localhost の OpenAI 互換 API（LM Studio 等）

ディスク容量（OCRモデル用）

（縦書きする場合）NDLOCR-Lite のセットアップ

GPU必須ではありません。補正の速度は載せるモデルに依存します。

●制限（必ずお読みください）

段組みの完全な読み順復元はしません

図中の文字が本文に混ざることがあります

縦書き雑誌（3段＋図版）は制限付き対応です

YomiToku OSS は非商用のため同梱・推奨しません

NDLOCR-Lite 利用時は CC BY 4.0 に従いクレジットを表示してください（レポートに自動記載）

●サポート

同梱手順書の範囲での質問（セットアップで止まった箇所）に応じます

顧客文書の預かり再実行はしません

導入支援（購入者マシン上での構築同行）は別メニューです。必要な方は購入後にご相談ください

更新方針

大きな仕様変更時は、購入者向けに差分または差し替え版を案内する予定です（プラットフォームの仕様に従います）。

詳細