NVIDIAが多言語OCRモデル「Nemotron OCR v2」を公開

NVIDIAが合成データ（Synthetic Data）を活用した多言語光学文字認識（OCR）モデル「Nemotron OCR v2」を公開した。6言語にわたる1,200万枚の合成学習画像で訓練されたこのモデルは、単一のA100 GPUで毎秒34.7ページを処理する速度を実現した。非英語言語における正規化編集距離（NED）スコアは従来の0.56〜0.92から0.035〜0.069へと大幅に改善された。データセットはnvidia/OCR-Synthetic-Multilingual-v1、モデルはnvidia/nemotron-ocr-v2としてHugging Faceで公開されている。

なぜ重要か：合成データがOCRのデータボトルネックを突破

OCRモデル開発における中心的な障壁は常に「データ」だった。高品質な訓練には、単語・行・段落レベルの精密なバウンディングボックスと読み順情報を含む画像テキストペアの手動アノテーションが必要だ。数百万枚規模でこれを手作業で行うことは、経済的にも実務的にも現実的ではない。

ICDARやTotal-Textなどの既存ベンチマークデータセットはラベル品質は高いが規模が数万枚に留まり、英語と中国語に偏っている。WebスクレイピングしたPDFは量は多いが、テキストレイヤーが不完全だったり低品質なOCR結果物が混在していたりと信頼性に欠ける。

合成データはこの二つの限界を同時に解決する。テキストを画像にプログラム的にレンダリングすることで、バウンディングボックス・転写・読み順の関係がすべて「正確に既知」の状態で生成できる。課題は現実感（Realism）だ。フォント、色、背景、レイアウト、拡張（Augmentation）を十分に多様化することで、実際の文書への汎化能力が確保される。

何が変わったか：v1 vs. v2

v1からv2への移行は、アーキテクチャ改善ではなく「データ問題の解決」が本質だった。NVIDIAの研究チームはまず文字セットを14,244文字に拡張する実験を行ったが、対応する学習データなしでは改善は限定的だった。モデルは理論上正しい文字を出力できても、それらの視覚的特性を学習したことがなかった。

歴史的な流れ：OCRと合成データの交差点

Document AIにおける合成データの活用は2010年代半ばから本格化した。DeepMindのSynthText（2016）が文字検出タスクでシーンへのテキスト合成を先駆け、後にドキュメント理解モデルの訓練へと拡張された。NAVERのSynthDoG（2022）は多言語文書画像合成パイプラインを公開して注目を集めたが、当時は合成データのみで実際の文書レベルの精度を達成することは依然として困難だった。

NVIDIAの今回の発表は、レンダリングエンジンの多様性と無作為化のレベルが十分に高い場合、合成データのみでも実用的な多言語OCRが実現可能であることを示した事例だ。大規模言語モデル（LLM）の急速な普及がこの流れを加速させ、文書からテキストを抽出してLLMに入力するパイプラインが一般化するにつれ、多言語OCRの重要性はさらに高まっている。

[専門家分析] 今後の展望と示唆

今回の公開で注目すべきは、モデルだけでなくパイプライン自体が公開されたことだ。研究チームは合成データパイプラインがフォントとソーステキストさえあれば任意の言語に拡張可能な設計だと述べており、リソースが少ない言語圏の研究者にとって参入障壁の実質的な低減となる可能性が高い。

速度面でも示唆は大きい。A100単一GPUで毎秒34.7ページは、企業環境での大量文書処理（バッチ処理）に実用的なレベルだ。検出・認識・関係モデルがバックボーンを共有する構造は冗長計算を排除し、この速度を可能にしている。

ただし合成データベースモデルの限界も存在する。手書き文字、著しく劣化した歴史的文書、専門ドメイン用語など、合成データで十分にカバーしにくい分布での性能は追加検証が必要だ。Nemotron OCR v2は企業文書処理、RAG（検索拡張生成）パイプラインの前処理、多言語デジタルアーカイブ構築などに幅広く活用される可能性が高い。オープンソース公開がコミュニティ主導の追加言語拡張につながるかが今後の注目点となる。