はじめに

AWSには昔からTextractというOCRサービスはあるものの、2025年8月現在でも日本語対応はされていません。日本のAWSエンジニアたちは、日本語OCRの必要がある際には、AzureやGCPなどの他のクラウドサービスを利用する等の回避策を行ってきました。中にはRekognitionのテキスト検出やTessaractを利用する強者もいらっしゃるようですが、精度や難易度の点で手を出しにくいものでした。
ところが、2025年の6月末にBedrockでもClaudeのPDFサポートが利用できるようになりました。これがなかなかの優れもので、本来の使い方とは若干異なるものの、日本語OCRにも十分使えますのでご紹介いたします。

利用ソフトウェア

以下の環境で検証を行っております。

Python 3.10.14
PyMuPDF 1.26.3
boto3 1.34.162

準備

手書き文字の写真

題材は何でもよいのですが、知的財産の侵害が絶対にないように自作しました。
こちらは、レシートの裏に私が適当に書いた偽注文書のjpeg画像です。

PDF変換プログラム

今回利用するのはPDFを読む機能なので、jpeg -> PDFへの変換を行います。
複数の写真を一気にPDF化できるようにしていますが、今回は1枚だけで利用します。
他のものにも対応できるようにしておくと、汎用的に利用できそうですね。

jpeg_to_pdf.py

import fitz
import os

def convert_jpeg_to_pdf(jpeg_paths, output_pdf_path):
    """
    JPEG画像をPDFに変換する関数
    Parameters:
        jpeg_path(list): JPEGファイルのパス
        output_pdf_path (str): 出力するPDFファイルのパス
    """
    # 新しいPDFドキュメントを作成
    doc = fitz.open()

    for img_path in jpeg_paths:
        # ファイルを開く
        img = fitz.Pixmap(img_path)

        # RGBでない場合はRGBに変換
        if img.n > 4:
            img = fitz.Pixmap(fitz.csRGB, img)

        # PDFに変換
        rect = fitz.Rect(0, 0, img.width, img.height)
        page = doc.new_page(width=img.width, height=img.height)
        page.insert_image(rect, pixmap=img)

    # 保存して閉じる
    doc.save(output_pdf_path)
    doc.close()
    print(f"[I] PDFに変換完了: {output_pdf_path}")

# 使用例
if __name__ == "__main__":
    jpeg_paths = ["手書き注文書.jpg"]
    output_pdf = "手書き注文書.pdf"
    convert_jpeg_to_pdf(jpeg_paths, output_pdf)

生成AIにPDFを読ませるプログラム

変換したPDFを、boto3からClaude 4 Sonnetを利用して読ませるプログラムです。
せっかくなので、コストも計算しています。

read_pdf.py

import json
import boto3
import base64
import sys
import fitz

# Claude 4 Sonnet のモデルID（クロスリージョン推論用）
MODEL_ID = "apac.anthropic.claude-sonnet-4-20250514-v1:0" 
REGION = "ap-northeast-1" 

# Bedrock Runtime クライアント
client = boto3.client("bedrock-runtime", region_name=REGION)

# プロンプト
PROMPT = f'''
このPDFは手書きの注文書です。
以下の記載内容について教えてください。
　・注文日
　・納期
　・注文内容
'''

def process_pdf(file_path):
    # PDFを読み込む
    doc = fitz.open(file_path)

    for page_index in range(len(doc)):

        # 新しいPDFを作成して1ページだけ追加
        single_page_pdf = fitz.open()
        single_page_pdf.insert_pdf(doc, from_page=page_index, to_page=page_index)

        # バイナリとして保存（メモリ上）
        pdf_bytes = single_page_pdf.write()
        encoded_data = base64.b64encode(pdf_bytes).decode("utf-8")

        # 各ページを読む
        read_pdf(page_index, encoded_data)
        single_page_pdf.close()

    doc.close()


def read_pdf(page_index, encoded_pdf):

    # リクエスト作成
    request_body = {
        "anthropic_version": "bedrock-2023-05-31",
        "messages": [
            {
                "role": "user",
                "content": [
                    {
                        "type": "document",
                        "source": {
                            "type": "base64",
                            "media_type": "application/pdf",
                            "data": encoded_pdf
                        },
                        "title": "注文書",
                        "citations": {"enabled": True},
                        "cache_control": {"type": "ephemeral"}  # プロンプトキャッシュ有効
                    },
                    {
                        "type": "text",
                        "text": PROMPT
                    }
                ]
            }
        ],
        "max_tokens": 4096

    }

    # APIコール
    response = client.invoke_model(
        modelId=MODEL_ID,
        contentType='application/json',
        accept='application/json',
        body=json.dumps(request_body)
    )

    # 結果表示
    response_body = json.loads(response['body'].read())
    print("[I] ===== 結果 =====")

    for block in response_body.get('content', []):
        if block.get('type') == 'text':
            print(block.get('text', ''))

    # 利用情報も出力しておく
    print("[I] ===== 利用情報 =====")
    usage = response_body.get('usage')
    input_tokens = usage['input_tokens']
    cache_create = usage['cache_creation_input_tokens']
    cache_read = usage['cache_read_input_tokens']
    output_tokens = usage['output_tokens']
    cost = (input_tokens * 0.000003) + (output_tokens * 0.000015)

    print(f'''
        入力トークン数：{input_tokens}
        キャッシュREAD：{cache_read}
        出力トークン数：{output_tokens}
        料金ドル　　　：{cost}
    ''')

if __name__ == "__main__":
    if len(sys.argv) > 1:
        name_argument = sys.argv[1]
        process_pdf(name_argument)
    else:
        print("[E] 引数に入力PDFを指定してください。")

結果

完璧じゃないですか！！
あの汚い文字を、単位なども含めてきちんと読んでいます。料金も良心的。
プロンプトで出力をjsonなどにしてもらえば、立派にOCRとして使えそうですし、一般的なOCRと異なり、文字情報の座標なども気にしなくてよいので、かなり活用の幅はありそうです。

$ python read_pdf.py 手書き注文書.pdf 
[I] ===== 結果 =====
この手書きの注文書の内容について、以下のとおりお答えします：

**注文日：** 
2025年8月12日

**納期：** 
2025年8月20日

**注文内容：**
- 
マダイ 12尾
- 
タコ 8杯
- 
エビ 25kg

この注文書は海産物の注文で、マダイ、タコ、エビの3種類の商品が記載されています。
[I] ===== 利用情報 =====
        入力トークン数：51
        キャッシュREAD：0
        出力トークン数：212
        料金ドル　　　：0.003333

まとめ

ClaudeのPDFサポートで日本語手書き文字が読める
Bedrockから利用できるようになったので、AWSだけで日本語OCRが可能
プロンプトを工夫すれば、もっと高度なことも簡単にできそう