PDFとスキャン文書をAIが読める形に変えるオープンソースMinerU

1. 概要: まず文書を読める形にする

MinerUはチャットボットではありません。より近いのは文書準備ツールです。公式リポジトリでは、LLM、RAG、エージェントのワークフロー向けの文書解析エンジンと説明されています。簡単に言えば、複雑なファイルをAIが検索し、引用し、次の業務に渡せる資料へ整える道具です。

公式説明では、MinerUはPDF、画像、DOCX、PPTX、XLSXを構造化されたMarkdownとJSONに変換できます。Markdownは人間とAIツールが読みやすい整理された文章形式です。JSONはシステムが項目を分けて受け渡しできるデータ形式です。

この工程が重要な理由は単純です。元のファイルがスキャン画像だったり、表が多かったり、複数段組みだったり、印刷用PDFだけで残っていたりすると、AIは内容を正しく探しにくくなります。入力が不安定なら、どのモデルを使っても結果は不安定になります。

2. MinerUが提供する機能

機能は実務寄りです。MinerUはOCRに対応しています。OCRとは、画像やスキャン文書に写った文字をテキストに変える技術です。さらに、人が読む順序を保とうとし、ヘッダーやフッターを取り除き、表や画像を抽出し、数式をLaTeX形式に、表をHTML形式に出力できると説明されています。公式リポジトリには、OCRが109言語に対応するという説明もあります。

開発者はCLI、API、Docker、SDK、LangChain、LlamaIndex、Dify、FastGPT、MCP連携などで使えます。非エンジニア向けに言い換えると、環境を整えれば、文書変換を手作業のコピーではなく、繰り返し業務の一工程にできます。

RAGはretrieval-augmented generationの略です。AIが答える前に保存済みの文書を検索する方式です。MinerUは、RAGが文書を検索する前に元資料を整える準備段階で役に立ちます。

• OCR: スキャンされた文字をテキストに変える技術です。
• Markdown: 人間とAIツールが読みやすい整理された文章形式です。
• JSON: システムが項目を分けて受け渡しするデータ形式です。
• RAG: AIが答える前に準備済み文書を検索する方式です。
• MCPと連携ツール: エージェントや業務自動化システムがMinerUを呼び出すための接続方法です。

3. 実際の業務での使い方

最初から会社の全文書を入れる進め方はおすすめしません。繰り返し届く文書を一種類選び、確認責任者を決めた流れにするのが現実的です。実際の文書20件から50件ほどをMinerUに通し、次の業務で使える精度かを確認します。

契約書なら、当事者、日付、更新条件、支払い条件、気になる条項を人のレビュー前に抽出できます。請求書や見積書なら、取引先名、金額、日付、明細、税項目を整理できます。レポートやマニュアルなら、見出し、表、図、本文段落を社内検索用の資料へ渡せます。

ローカルのXブックマーク調査でも、MinerUを無料のオープンソース文書変換ツールとして見る関心が確認できました。ただし、これは市場シグナルとして扱うべきです。精度判断は自社文書で行う必要があります。会社ごとに様式、言語、スキャン品質、表の形が違うからです。

• 契約書受付: 重要日付、当事者、更新条件、条項をレビュー前に抽出します。
• 会計補助: 請求書、見積書、領収書、取引明細の表を確認可能な資料にします。
• 社内ナレッジ化: 古いマニュアル、規程PDF、オンボーディング資料を検索可能な情報源にします。
• 調査とレポート: 長い報告書から見出し、表、数式、図、引用対象の段落を集めます。
• 顧客運用: 繰り返し届くフォームや添付ファイルを分類に使える項目へ変えます。

4. 設計図面やprint-to-PDF文書にも使えるか

試す価値はあります。ただし期待範囲は狭くする必要があります。設計業務では、提出、共有、保管の前に図面をPDFで保存することがよくあります。この場合、MinerUは表題欄、改訂表、一般注記、凡例、室名、シート番号、日付、表など、見えている文字と表を抽出する候補になります。

それだけでも検索と管理には役立ちます。たとえば、「この室名が入った図面はどれか」「B改訂で変わったシートはどれか」「この設備タグが入ったファイルはどこか」といった質問を文書検索につなげられます。

ただし、これは図面をCADやBIMとして理解することとは違います。MinerUがレイヤー、縮尺、記号の意味、法令適合、構造意図、数量算出、設計責任を判断すると考えてはいけません。図面PDFは、まず見えている文字と表を含む文書として扱い、設計判断は従来の専門レビュー手順に残すべきです。

5. 導入前Checklist: サンプルテストと人の確認

MinerUは有望ですが、公式Quick Start文書も文書解析が難しいことを明確に述べています。複雑なレイアウト、スキャンページ、手書きの内容では結果が不足することがあります。安全な進め方は、先にサンプルテストを行い、その後に業務連携を検討することです。

運用面の確認も必要です。ローカル導入にはハードウェア、保存領域、モデルファイル、保守が必要です。機密文書には個人情報とアクセス権限のルールが必要です。現在のライセンスはApache 2.0をベースに追加条件がある形なので、商用利用するチームは先にライセンスを確認すべきです。表抽出や抽出品質に関する公開GitHub Issueも、実ファイルではデモと違う問題が起きる合図として見ておくとよいでしょう。

小さく始めれば十分です。文書を一種類選びます。サンプルを用意します。何が合っていれば成功かを決めます。人の確認結果と比べます。抽出結果の横に元ファイルへのリンクを残します。この手順を通過してから、検索、自動化、エージェント業務に接続するのが安全です。

• 公開サンプルではなく、自社の実文書でテストします。
• 名前、日付、金額、表、条項、ページ位置など、重要な項目で確認します。
• 契約、お金、法務、安全、設計判断には人の確認を残します。
• 失敗例を記録し、次のテストセットに入れます。
• 本番利用の前に、導入方法、個人情報、アクセス権限、ライセンスを確認します。