privatenumber/mac-ocr

何を解決するか

mac-ocr は macOS 上でローカルかつプライベートな OCR（光学式文字認識）を可能にするコマンドラインツールおよび Node.js API です。データを外部サーバーにアップロードせずに、画像や PDF からテキストを抽出できます。AIエージェントや人間ユーザーにとって、クラウドベースのビジョントークンの無料かつプライベートな代替手段を提供します。

動作方法

このツールは Apple の Vision フレームワーク（VNRecognizeTextRequest および RecognizeDocumentsRequest）を活用するネイティブ Swift バイナリです。画像や PDF をデバイス上でローカルに処理します。検索可能な PDF を作成する際には、Core Graphics と Core Text を使って、Vision フレームワークが検出した位置に正確にテキストレイヤーを非表示で重ねます。

対象ユーザー

• 開発者：マルチモーダル LLM を使用する代わりに、ローカルで OCR を実行することでコストを削減したい AI エージェントの開発者。
• macOS ユーザー：スキャンされた文書や画像を検索可能で選択可能な PDF やプレーンテキスト/JSON ファイルに変換したいユーザー。
• Node.js 開発者：タイプ付き API を通じてアプリケーションにローカル OCR 機能を統合したい開発者。

特徴

• プライバシー最優先：データのアップロードなしにデバイス上で完全に動作。
• 検索可能な PDF：画像やスキャンされた PDF を選択可能なテキストレイヤー付き PDF に変換。
• 構造化データ：パラグラフ、テーブル、リストの抽出をサポート（macOS 26+ 以上）。
• 柔軟な出力形式：プレーンテキスト、JSON、JSONL（大規模ドキュメントのストリーミング対応）をサポート。
• パーティショニング OCR：大規模なページを再帰的に分割する高度な戦略。標準的なフルページ処理では見逃されがちな小さなテキストを回復可能。
• クロスパッケージ対応：npm パッケージとして配布され、事前ビルド済みバイナリを含み、Xcode や Swift ツールチェインのインストール不要。