ChatGPT PDF OCRの原因診断（2026）

最初にOCRを追加するのではなく、抽出テキスト、スキャン状態、文字層、読取順序、表や画像の順で確認してください。文字を抽出できるPDFなら、OCRではなく再出力や構造修正が最短の解決策になる場合があります。

長い契約書や論文をChatGPTで確認する人、PDF問答ツールを開発する人、機密資料をローカルで前処理したいチームに向けた診断記事です。

最終更新：2026年8月10日。ChatGPTのファイル対応と制限は、同日確認した公式資料を基準にしています。利用プランや機能は変更される可能性があるため、運用前に公式のファイル利用案内とファイルアップロード仕様を確認してください。

まず失敗の症状から原因候補を絞ります

「ChatGPTがPDFを読めない」と感じても、実際には失敗の形が異なります。完全に内容が出ないのか、特定ページだけ抜けるのか、文章は出るが順番が崩れるのかで、次に行う検査が変わります。

これは確定診断ではなく、調査の入口です。ChatGPTはPDFを扱えますが、ファイルの種類や利用環境によって、テキスト中心の処理と視覚要素を含む処理の範囲が異なります。埋め込み画像や図表まで扱える機能が、すべてのプランや利用場所で同じように提供されるとは限りません。

「見えている文字」と「抽出できる文字」は別物です

PDFビューアーで文字が見えていても、PDF内部に機械的に取り出せる文字が存在するとは限りません。スキャンPDFでは、ページ全体が画像で、文字は画面上に見えているだけという構造が一般的です。

まず、1ページだけで判断しないでください。表紙はテキスト版、本文はスキャン、付録は画像という混在PDFもあるため、全ページを対象に抽出結果を確認します。pdf-inspectorは、PDFの分類やテキスト抽出をローカルで行うためのオープンソースツールです。公式リポジトリの仕様と実行例を確認し、アップロード前の振り分けに利用できます。

ここで文字層が存在しないページだけをOCRします。全ページを無条件にOCRすると、元から正確なテキストまで別の認識結果に置き換わり、数字、型番、契約条項の表現を悪化させることがあります。

可搬できる文字層があっても、品質が低い場合があります

「コピーできるから問題ない」とは限りません。PDFには、見えている画像の上に透明なOCR文字を重ねた構造があります。この文字層の位置がずれていたり、文字コードの対応が壊れていたりすると、選択はできても抽出結果が不正確になります。

確認する項目は次のとおりです。

• 契約番号、日付、金額、単位が原ページと一致するか。
• 単語の途中で不自然に改行されていないか。
• 日本語の濁点、括弧、ハイフン、記号が置き換わっていないか。
• コピーした本文にヘッダー、ページ番号、脚注が大量に混入していないか。
• 同じページを複数回抽出したとき、結果が安定しているか。

特に契約書や仕様書では、1文字の違いが判断を変えます。抽出テキストだけをChatGPTへ渡すのではなく、重要な条項を原ページと照らし合わせ、誤りが見つかったページを隔離してください。

読取順序が壊れると、文字があっても意味が崩れます

多段組みの論文、ページ上に配置された脚注、ヘッダー、注釈、浮動テキストボックスは、画面上の見た目とPDF内部の格納順が一致しないことがあります。その結果、左列と右列が交互に混ざる、脚注が本文の途中に入る、見出しが後ろへ移動するといった現象が起きます。

PDF抽出では、視覚的な位置ではなく、文書内部の要素順を使う実装もあります。PDFの構造化抽出に関する公式技術資料では、見出し、段落、表、画像を構造化して扱う考え方が説明されています。

確認するときは、本文を読むだけでなく、次の4点を見ます。

1. 2段組みが左列から右列へ自然に進んでいるか。
2. ページヘッダーやページ番号が本文へ混ざっていないか。
3. 脚注が参照箇所の直後またはページ末尾に保たれているか。
4. 表の行と列、項目名と数値の対応が維持されているか。

PDFの読取順序を視覚的に確認する手順のように、ページ上の領域番号を表示できるツールを使うと、目視で原因を特定しやすくなります。

原因別に修復方法を選びます

OCRを実行するかどうかは、ファイル構造を確認した後に決めます。次の表では、修復方法を「何が壊れているか」から選べるように整理しています。

なお、ChatGPTのファイルには、1ファイルあたり512MB、テキストおよび文書ファイルでは1ファイルあたり200万トークンという上限が案内されています。画像には1枚20MBの上限も示されています。長いPDFでは、内容が壊れているのではなく、ファイル制限や処理範囲に達している可能性も切り分けてください。

5段階で行う実務フロー

第一段階：原本を保存する

編集やOCRの前に、受領したPDFをそのまま保存します。修復後のファイルだけを残すと、誤認識の比較ができなくなります。

第二段階：全ページから文字を抽出する

ページ番号付きのテキストを作り、空白ページ、極端に短いページ、記号だけのページを探します。表紙や目次だけを確認して、文書全体をテキスト版と判断しないでください。

第三段階：画像ページと混在ページを分ける

抽出量が少ないページを画像として確認します。スキャンPDF、画像化された表、本文に透明なOCR層だけがあるページを分けると、処理対象を絞れます。

第四段階：重要箇所を原ページと照合する

金額、日付、固有名詞、コード、数式、条項番号をサンプルにします。本文の平均的な品質ではなく、誤ると判断に影響する箇所を基準に合否を決めます。

第五段階：ChatGPTへ再投入して質問を分割する

修復済みPDFをそのまま再投入するだけでなく、問題ページを分割します。「全体を要約」ではなく、「第12ページの表から項目と数値を抽出」のように範囲と出力形式を指定してください。

機密資料やバッチ処理では、検査、清洗、抽出、抽出結果のサンプル確認を管理下の環境で行うほうが安全です。Kvmjetのインフラ構成に関する案内を確認し、ローカル前処理用のMac環境が必要かを検討してください。

どの修復ルートを選ぶべきですか？

判断に迷う場合は、次の条件で分岐します。

• 抽出結果が空で、ページが画像なら、対象ページだけOCRします。
• 抽出結果はあるが数字や固有名詞が壊れているなら、原画像から再OCRして比較します。
• 文字は正しいが順番が乱れているなら、読取順序を確認し、段組みやページ単位で再構成します。
• 表や図が重要なら、本文要約とは別に表画像や構造化データを検証します。
• ファイルが大きい、または長すぎる場合は、章やページ範囲を分割して投入します。
• 機密性が高い、または処理件数が多い場合は、外部へ送る前にローカルで診断します。

PDF抽出サービスの中には、テキストだけでなく表や画像を別形式で出力し、後続の検索やLLM投入に使える構造化形式を提供するものもあります。文書を知識ベースへ取り込む場合は、本文、表、画像、読取順序を分けて保存する設計が参考になります。

ChatGPTでPDFを読めないとき、すぐOCRへ進む方法は診断として粗すぎます。先に「文字がない」のか、「文字はあるが壊れている」のか、「文字は正しいが順番や表構造が崩れている」のかを証拠で分けると、再処理の範囲と情報漏えいのリスクを抑えられます。

単発の資料なら、まずはヘルプセンターのファイル運用情報を確認しながら、抽出、照合、分割投入の手順を組むのが現実的です。大量または機密性の高いPDFでは、手元のPCだけで処理すると、処理時間、メモリ、再現性、権限管理に制約が出やすいため、必要な期間だけKvmjetのMac環境を借りて、検査と前処理を分離するほうが運用しやすい場合があります。長期の固定負荷や物理スキャナー接続が必要なら自社設備が向きますが、検証環境や一時的な知識ベース作成なら、専用機を購入せずに済む点が選択理由になります。

用途とファイルの機密性、処理量が決まっていない段階では、まず相談窓口で必要な環境条件を整理してください。