テキスト抽出パラメータ

出力ファイル形式の指定

デフォルトでは、抽出されたテキストはプレーンテキストで記述される。 抽出されたテキストをMarkdownのような別のフォーマットで記述したい場合は、APIリクエスト・ボディに以下のパラメータを指定する：

"parameters": {
  "requested_outputs": [
    "md"
  ]
}

API リ ク エ ス ト で requested_outputs パ ラ メ タ を指定す る と、 テ キ ス ト 抽出処理に よ っ て生成 さ れ る さ ま ざ ま な出力形式について、 以下の表に詳細を示 し ます：

処理モード

API リ ク エ ス ト で mode パ ラ メ タ を設定す る こ と に よ り、 テ キ ス ト 抽出 リ ク エ ス ト の処理速度を制御で き ます。

"parameters": {
  "mode": "standard"
  ]
}

高品質処理モードは、文書内のすべてのデータ構造を保持しますが、標準モードよりも処理に時間がかかる場合があります。 標準モードでは、抽出リクエストはより速く完了するが、詳細が欠けている可能性のある低品質の出力を生成する。

各処理モードの詳細については、 watsonx.ai APIリファレンス・ドキュメントを参照のこと。

サポート対象言語

ドキュメントが英語以外の言語である場合、APIリクエストの languages パラメータでISO 639言語コードによって言語を指定する必要があります。

"parameters": {
  "languages": "de"
  ]
}

文書に複数の言語が混在している場合は、各言語を別々に記載する。

たとえば、英語とフランス語のテキストが混在する文書の画像からテキストを抽出することができます。 ただし、日本語とフランス語のテキストが混在する文書では、画像からテキストを抽出することはできません。

指定する言語コードは、文書に機械印刷のテキストが含まれているか、手書きのテキストが含まれているかによって異なります。

画像からテキストを抽出する

光学式文字認識(OCR)を使用して、文書内の画像内のテキストを処理する方法を指定できます。 APIリクエスト・ボディに以下のパラメータを指定する：

"parameters": {
  "ocr_mode": "enabled"
  ]
}

さまざまなOCRモードの詳細については、 watsonx.ai APIリファレンス・ドキュメントを参照してください。

また、ドキュメントに埋め込まれた画像を処理する方法や、MarkdownやJSON形式に変換する方法を設定することもできます。

埋め込み画像とは、文書内のページにおいて、テキストや表を含む部分を含まず、画像のみを表す領域のことです。 オリジナル文書のテキストと表はOCRで処理されます。 埋め込み画像抽出モー ド は、 文書内の画像を直列化 し て、 抽出出力内でそれを温存す る 方法を指定す る ために用い ら れます。

指定した埋め込み画像抽出モードに基づいて、埋め込み画像を出力でどのように表現するかを選択できます：

• 抽出された出力に画像を含めるかどうか。 画像が含まれている場合、それらは .png ファイルとして embedded_images_assembly フォルダに保存される
• 一般的なプレースホルダー・テキストか、画像からOCRによって抽出されたテキストが、MarkdownとJSONの出力フォーマットに表示されるかどうか
• イメージを自然言語で記述して言語化するかどうか。 例えば、猫のイメージは、 The image displays a cat resting on the floor と言語化される。

画像を説明するテキストを含む埋め込み画像を抽出するには、APIリクエストボディに以下のパラメータを指定します：

"parameters": {
  "create_embedded_images": "enabled_verbalization"
  ]
}

以下の表は、埋め込み画像を抽出するためにAPIリクエストで使用できるさまざまなモードの詳細です：

キーと値のペアでテキストを抽出する

ドメイン固有の構造化データを含むドキュメントから、テキストをキーと値のペアとして抽出することができます。 抽出されたテキストは、各データ（値）が一意の識別子（キー）に関連付けられた形式で保存される。 キーと値のペアのデータは、汎用の基盤モデルまたは特定の文書フォーマット用に調整されたモデルを使用して抽出されます。

入力文書の内容に基づいて、以下のいずれかの方法でキーと値のペアのデータを抽出することができます：

汎用的なキーと値のペア抽出

一般的な抽出プロセスは、文書内のすべてのキーと値のペアを識別し、抽出します。 この方法は、特定のフィールドの詳細を事前に知る必要がなく、ラベル付けされた情報を抽出するのに便利である。

スキーマベース（固定）抽出

スキーマベースのプロセスは、請求書、公共料金請求書、パスポートなど、一般的な文書タイプの組み込みスキーマを使用して、文書内の特定の事前定義されたフィールドを対象とします。 すべてのページは、サポートされているスキーマタイプのいずれかに分類される。 分類に基づいて、テキストは、特定の文書タイプ用にスキーマで定義されたキーと値のペアのフォーマットに抽出される。 最初に文書を分類することで、この方法は、専用のモデル学習を必要とすることなく、既知の文書タイプに対する精度を向上させる。

例えば、請求書用に調整されたモデルを使用して、テキストをキーと値のペアのデータとして抽出したい場合、APIリクエスト本文に以下のパラメータを指定します

"parameters": {
  "kvp_mode": "invoice"
  ]
}

テ キ ス ト 抽出 API リ ク エ ス ト で kvp_mode を指定 し ない と、 文書内の ラ ベル付 き デー タ は、 抽出 さ れた出力内にキー と 値の対形式で格納 さ れません。

詳細情報

• 文書からのテキスト抽出
• 抽出されたJSON構造の解析

親トピック テキスト抽出