【悲報】76MBのOCR、グラボなしで1秒44ページ読み倒す…なのに日本語は6日前まで読めなかった事情が泣ける
文字読み取りソフト「Indra OCR」の1.1が、日本時間2026年10月19日23時49分に公開された（修正版の1.1.1は10月20日1時36分）。全部で約76MB（ネットワーク部分30MB＋言語モデル46MB）。主役の文字起こし部分のパラメータは約125万しかない。文章を書き出すAIが数十億〜数千億に達する現代と比べれば、桁が3つから4つ違う世界の作りだ。それでいてGPUは要らず、PyTorchも要らず、pip installの1行で導入が完了する。
この小ささがなぜ成立するのか。調査の答えの芯は「雇っていない係」だった。行を見つける係、文字体系を振り分ける係、文字を起こす係、札を貼る係、向きを見る係、読む順番を決める係。持ち場を分けて並べたうえで、「読んだあとに文章を作る」部分だけを丸ごと持っていない。ここが大きなAIでいちばん重く、いちばん遅い場所だ。小さくしたのではなく最初から雇っていない。それが76MBと125万パラメータの正体だった。
日本語は6日前まで読めなかった。理由は「担当者の入れ替え」
日本人には直撃する話がもう一つある。このソフトは6日前まで、スキャンした日本語の「かな」を読めなかった。漢字は読めたのに、ひらがなとカタカナだけがダメだったのだ。1.0系では、かな・ハングル・アラビア語などはデジタルPDFの文字レイヤーからしか取得できず、紙をスキャンした画像からは読み出せなかった。
1.1でこの制約が外れた。文字を起こす係が文字の種類ごとに分かれているため、日本語を足すのは担当者を1人入れ替えるだけで済む構造だったからだ。だからわずか6日で対応が入り、対応言語は80以上に広がった。試験された95言語のうち83言語で文字F1が0.90以上、67言語で0.95以上という水準に達している。縦書きの日本語も読める。文字が「四分の一回転した形」で認識され、それが縦書きだった印がデータに残る仕様だ。最大45度の傾き、横倒し、上下逆さも自動で補正される。
1秒44ページは本当か。コア数が全て
「1秒に44ページ」という公式の数字には条件が付く。速度はCPUのコア数で素直に伸びる。4コアで1秒6.2ページ、8コアで11.9、16コアで23.7、そして32コアのサーバー向けCPUで43.9ページ。つまり「1秒44ページ」は32コア環境の数字で、家庭用4コアなら1秒6.2ページが実力だ。
徹底的な検証も動いている。第三者が全2937ページを自分のMac Studioで回した追試では、精度はTesseract等との比較で0.2ポイント差という僅差で実質、速度は従来型OCRエンジンの約3倍と報告された。公式は「Tesseractの15倍」（発表当初は17倍）という振れ幅がある。第三者の追試内訳によれば、2937ページのうち画像からテキストを読み出したのは1459ページだけだったという情報もあり、環境によって速度体験が大きく変わることを物語っている。
できないことも正直に。手書きは4回に1回、最高なのにGPUが効かない
手書き文字の精度は8.3パーセントから25.2パーセントへと改善した。倍率は3倍だが、実質的には4回に1回しか合っていない水準だ。総合スコアは62.3から66.7へと上昇したが、内訳を見るとレイアウトの検出は92.2と高い一方、文字そのものの認識は46.7、表の構造は61.1に留まる。JSON出力には行ごとの確信度が付くため、低い行だけを目で確認するという使い方が現実的だ。
意外な弱点はGPUにある。GPU向けの版が存在しないため、高価なグラフィックカードを積んでも速くはならない。効くのはCPUコア数だけだ。ローカルAIの常識である「GPUを積むほど速い」という感覚が、ここでは通用しない。ライセンスにも注意が要る。コードはApache 2.0だが、重みは修正版OpenRAIL-M。研究・個人利用、および資金調達または売上が2000万ドル未満の企業は無料で使えるが、重み自体はオープンソースではない。動作試験が明言されているのはLinuxとAppleシリコンのMacで、Windowsは明言されていない。
公平性のため、「正確さを言い切っていない」点も明示されている。「大きな画像を見られるAI（VLM）より正確」とは主張されていない。公表されている比較相手はTesseractとPaddleOCRという従来型エンジンだけで、VLMとの精度比較は確認できていない。言えるのは「大きさと求める機材がまるで違う」ことだけだ。また、精度評価に使われたベンチマークは開発元自身が作ったもので、第三者ベンチとは扱いが異なる。
ネットの反応
漢字が読めてかなが読めない、なら、中国製？と思ったけど違うのか。
「最初から生成器を雇っていない」という構造の説明が分かりやすい。TEXT生成が最も重いのはそうなんだよな。
むしろGPU積まずにCPUコアでスケールするのは実務的。サーバー側なら高コアCPUの方が安いし。
手書き4回に1回は厳しい数字だが、正直に言う姿勢は好感が持てる。
AIの所感
このリリースが示したのは、AIを「大きくする」ことと「使える形にする」ことは別の設計問題だという点だ。数十億のパラメータを持つ巨大モデルの必要性は依然としてあるが、処理対象が限られた定型作業であるなら、125万パラメータの小さな専門家の集団の方が速く、軽く、安く動く。文章生成部分を持たない設計は一見した欠点のようだが、出力の確信度を行単位で返す仕組みがあれば、人間が確認すべき場所だけを絞り込む実務の流れに載せられる。
日本語のかなへの対応が6日で入ったことも象徴的だ。文字体系ごとに担当を分ける構造は、言語追加のコストを分散化する発想で、多言語展開の常識を変えつつある。手書きと複雑な表の認識はまだ実用域に近くないものの、合計76MBでGPU不要、1行のインストールで動くローカルOCRは、書類処理や資料デジタル化の現場で即席の選択肢になる。価格と環境の制約が重い現場ほど、この種の「細く長く動くAI」の価値は上がり続けるだろう。（2026年10月20日時点の情報）