要点:日本語のスキャン PDF を Claude Code で Markdown にするとき、SKILL.md に日本語の言語コードが書いてあるのは MinerU 版 pdf-converter(--language japan)と smart-ocr(lang='japan')の2本だけでした。Anthropic の pdf スキルは Tesseract を言語指定なしで呼ぶので、そのままだと英語モデルで読みます。縦書きに触れたスキルは1本もありません。
私たちは Claude Code スキルのディレクトリ Skillselion を運営しています。Claude Code、Codex、Cursor 向けの拡張を実際のインストール数で並べている独立したサイトで、Anthropic とは関係ありません。カタログは skills.sh、GitHub、MCP レジストリから毎日更新しています。
先日、文書を Markdown に変換するスキルの英語ガイドを公開しました。英語版は表や数式の扱いが中心で、日本語の文書には触れていません。紙の契約書、古い社内資料、縦書きの書籍のように、スキャンした日本語の PDF をどう読ませるかは別に調べる必要がありました。そこで、ガイドに載せたスキルのうち、ファイルを扱う9本の SKILL.md を2026年11月10日に upstream から取り直し、日本語と OCR に関する記述だけを拾いました。
日本語のスキャン PDF に使えるスキルはどれですか?
9本を、日本語を指定できるか、OCR を誰がやるかで分けるとこうなります。インストール数は2026年11月10日時点の Skillselion 掲載ページの値(skills.sh レジストリの累計)です。
| スキル | SKILL.md の日本語指定 | スキャンの OCR | インストール数 |
|---|---|---|---|
| MinerU 版 pdf-converter | --language japan |
MinerU の API(mineru.net) | 9,685 |
| smart-ocr | PaddleOCR(lang='japan') |
手元の PaddleOCR | 8,795 |
| Anthropic pdf | なし | 手元の Tesseract(言語指定なし) | 225,608 |
| anydoc | なし | しない。--ocr hosted で Firecrawl Parse へ |
13,347 |
| firecrawl-parse | なし | OCR の記載なし(ホスト型) | 51,487 |
| davila7 版 markitdown | なし | 「OCR 対応」と記載 | 2,527 |
| K-Dense 版 markitdown | なし | 手元ではしない。ビジョン LLM か Azure | 2,248 |
| office-to-md | なし | 画像はビジョンモデル | 5,853 |
| Anthropic docx | なし | 対象外(Word 用) | 215,124 |
日本語を明示できるのは上の2本です。以下、その2本と、一番インストールされている pdf スキルを日本語向けに直す方法を順に見ます。
MinerU の pdf-converter で日本語を指定するには?
--language japan を付けます。MinerU 版 pdf-converter スキルの掲載ページにあるスキルで、ソースは tanis90/pdf-converter-mineru です。SKILL.md の言語の節はこう始まります。
Default is
ch(Chinese + English). Use--languageto specify others.
既定値は中国語と英語の ch で、表の中に Japanese の行として japan があります。指定を忘れると、日本語の文書も既定の ch で処理されます。トラブルシューティングにも、出力の言語がおかしいときは --language を明示するよう書かれています。
スキャンの扱いには注意が要ります。SKILL.md の使い分け表では、スキャン文書は extract に --ocr を付けるモードで、こちらは mineru-open-api auth によるトークンが必要です。トークン不要の flash-extract は1文書10 MB・20ページまでで、表や数式がプレースホルダーになることがあると書かれています。CLI 本体(opendatalab/MinerU-Ecosystem の現行ソース)を見ると flash-extract にも --ocr フラグがあるので、20ページ以内の書類ならトークンなしで試す余地はあります(公開中の npm 版にこのフラグが入っているかは未確認です)。
mineru-open-api auth
mineru-open-api extract keiyakusho.pdf -o ./out/ --ocr --language japan
もう1点、SKILL.md のデータフローの節にはこうあります。
Both commands send the document to MinerU's API (mineru.net) for processing.
どちらのモードでもファイルは mineru.net に送られます。社外に出せない書類なら、次の2つのどちらかを使うことになります。
smart-ocr なら手元で日本語 OCR ができますか?
できますが、コードは PaddleOCR 2.x 向けのまま残っています。smart-ocr スキルの掲載ページで紹介しているスキルで、コードは claude-office-skills/skills の smart-ocr にあります。言語の例に ocr = PaddleOCR(lang='japan') # Japanese の行があり、PaddleOCR をローカルで動かします。
ただし SKILL.md の設定例には use_gpu=True や show_log=False が並び、参考リンクも PaddleOCR の release/2.7 のドキュメントです。PyPI の最新版は 3.7.0 で、3.x のソースは知らない引数を受け取ると ValueError: Unknown argument を投げます。ocr.ocr() も非推奨になり、predict() を使うよう警告が出ます。pip install paddleocr で今入る版に合わせるなら、3.x のドキュメントに沿ってこう書き直すのが安全です。
from paddleocr import PaddleOCR
ocr = PaddleOCR(lang="japan", use_textline_orientation=True)
for res in ocr.predict("page_001.png"):
res.save_to_json("output")
なお、SKILL.md のフロントマターは description: ">" になっていて、languages の欄も en と zh だけです。中身の例は日本語に対応しているので、メタデータの書き損じと見てよさそうです。
Anthropic の pdf スキルで日本語を読ませるには?
pytesseract に lang='jpn' を渡すよう指示します。Anthropic 公式 pdf スキルの掲載ページにあるスキル(ソースは anthropics/skills の pdf)のスキャン PDF の例は、pytesseract.image_to_string(image) を引数なしで呼んでいます。Tesseract のマニュアルには -l について次の一文があります。
If none is specified,
eng(English) is assumed.
つまりこのまま日本語の書類を渡すと、英語モデルで読まれます。日本語の学習データも別に入れる必要があります。Homebrew の tesseract フォーミュラは eng と osd しか含まず、他の言語は brew install tesseract-lang で入れるよう案内しています。Ubuntu なら tesseract-ocr-jpn パッケージです。
# brew install tesseract-lang / sudo apt install tesseract-ocr-jpn tesseract-ocr-jpn-vert
text += pytesseract.image_to_string(image, lang="jpn+eng")
+ で複数言語を並べられるので、英数字が混ざる書類は jpn+eng にしておくと扱いやすくなります。SKILL.md の例には lang がないので、CLAUDE.md に「OCR では lang に jpn を指定する」と一行書いておくと指定漏れを防げます。
縦書きの PDF に対応しているスキルはありますか?
SKILL.md で縦書きに触れているものは、9本の中にありません。手がかりがあるのは Tesseract 側だけで、公式の学習データ(tessdata、tessdata_best、tessdata_fast の3リポジトリ)にはどれも jpn_vert.traineddata があり、Ubuntu には tesseract-ocr-jpn-vert パッケージがあります。マニュアルのページ分割モードにも「5 = Assume a single uniform block of vertically aligned text.」という項目があります。縦書きの書籍や古い公文書なら、pdf スキルの OCR 部分を lang="jpn_vert" に差し替えて、何ページか試してから全体を流すのが現実的です。
テキストが選択できる日本語 PDF や Word でも OCR は必要ですか?
不要です。テキスト層のある PDF や Word なら、OCR を経由しない変換で足ります。anydoc の convert-documents-to-markdown スキル(ソースは firecrawl/anydoc)は npx -y @firecrawl/anydoc <file> -o out.md だけで動きます。OCR が必要なページがあると終了コード3で止まり、--ocr hosted で再実行すると Firecrawl Parse に送ります。
Firecrawl の firecrawl-parse スキル(ソースは firecrawl/cli の firecrawl-parse)は、1ファイル50 MB まで、PDF 1ページあたり約1クレジットのホスト型です。どちらの SKILL.md にも言語の指定はありません。Word なら Anthropic の docx スキル(ソースは anthropics/skills の docx)が、内容を読む手段として pandoc -t markdown file.docx を挙げています。
MarkItDown 系のスキルは日本語のスキャンに使えますか?
2本の SKILL.md で言っていることが違います。davila7 版 markitdown スキル(ソースは davila7/claude-code-templates)は「OCR for images and scanned documents」と書き、動かないときは tesseract を入れるよう案内しています。
一方、K-Dense 版 markitdown スキル(ソースは K-Dense-AI/scientific-agent-skills、2026年10月1日更新)はこう書いています。
MarkItDown's built-in PDF converter extracts existing text; it does not locally OCR scanned pages.
スキャンには markitdown-ocr プラグイン(OpenAI 互換のビジョン対応クライアントを使う)か Azure を使うように、という整理です。同じ MarkItDown を包む office-to-md スキル(ソースは claude-office-skills/skills の office-to-md)も、画像の行は「OCR with vision model」です。日本語をどこまで読めるかは、プラグインに渡すモデル次第です。
よくある質問
日本語のスキャン PDF に一番手軽なのはどれですか?
社外に出してよいファイルなら、MinerU 版 pdf-converter に --language japan を付けるのが一番手軽です。ただしスキャンの OCR はトークンが必要な extract --ocr 側です。
ファイルを外に出さずに日本語 OCR をするには?
smart-ocr(PaddleOCR の lang='japan')か、pdf スキルの Tesseract に jpn を指定する方法です。smart-ocr は PaddleOCR 3.x に合わせてコードを直してください。
縦書きはどうすればいいですか?
対応を書いたスキルはないので、Tesseract の jpn_vert を自分で指定します。
ほかの文書まわりのスキルは、ドキュメント・計画向けスキルのランキングにまとめています。
出典:Skillselion の文書 Markdown 変換スキルガイド(英語版)(2026年11月9日更新)。SKILL.md の引用は、2026年11月10日に各リポジトリの HEAD から取得した原文です。PaddleOCR と Tesseract の記述は、それぞれの公式リポジトリ(PaddleOCR v3.7.0、tesseract-ocr/tesseract の main)と Homebrew・Ubuntu のパッケージ情報によります。インストール数は同日の Skillselion 掲載ページ(skills.sh レジストリの累計)です。