まず、ここだけ
- PDFや文書画像からMarkdown・JSONを生成し、要素の座標も扱います。
- 公式は登録・APIキー申請不要の試用APIを案内しています。
- 無料APIの安定稼働保証はなく、独自ライセンスの追加条件も確認が必要です。
読み取った文字を、次の処理で使える構造へ
OXRはSoMarkの文書解析モデルで、PDFや文書画像をMarkdownやJSONへ変換します。文章に加え、表、数式、図やコードなどを区別し、文書中の位置を表す座標も出力します。
文字を一列に抜き出すだけでは読みづらい複数段の資料や表を含む文書で、並び順や構造を保てるかを確認する用途です。精度に関する公式のベンチマークは、手元の日本語文書での正確さを保証するものではありません。
参照先[1]
まず短い公開資料で出力を比べる
公式READMEには無料オンラインデモとAPIの案内があります。登録やAPIキーの申請なしで試用できるとしていますが、処理は待ち行列に入り、安定性を保証しないため本番利用は勧めないとも書かれています。
最初は共有可能な短いPDFを使い、段組みの順番、表の行と列、数式、見出しを元のページと見比べる方法が適しています。業務資料をアップロードする前に、データの取り扱いと利用条件を確認してください。
参照先[1]
自前運用と商用利用で見るところ
公式のローカル構成はLinux、BF16対応のNVIDIA GPUなどを前提とします。READMEの目安は低並列の試用でGPUメモリ24GB、長い文書や高い並列性には48GB以上です。小さなモデルだからスマホでそのまま動くとは限りません。
ライセンスはApache 2.0そのものではなく、追加条項を持つOXR独自のライセンスと明記されています。製品に組み込むならLICENSEと必要な条件を確認し、APIの試用と継続運用を分けて判断しましょう。
参照先[1]
よくある質問
ただの文字起こしと何が違いますか？
文書中の要素や読み順、座標、表などの構造を扱い、後続の検索やAI処理に使えるデータへ変換することを目指しています。
参照先[1]
無料APIを本番サービスへ使えますか？
公式は無料APIの安定性を保証せず、本番利用を推奨していません。試用結果を確認し、継続運用の方法を別に検討してください。
参照先[1]
『SoMark OXR文書解析モデル』の公式ページやモデルデータはどこで確認できますか？
記事内で参照している公開ページ（github.com）から公式の仕様説明、デモ、またはウェイトデータを確認できます。
参照先[1]
日本語のプロンプトや日本の利用環境にも対応していますか？
公開されている仕様やデモ環境を通じて利用可能で、具体的な対応言語や入出力形式は公式ドキュメントで案内されています。
参照先[1]
参考リンク
- SoMarkAI OXR公式READMEgithub.com
- Xトレンド「SoMark OXR」x.com
- Xトレンド「SoMark OXR」ベンチマーク話題x.com
