LeyuDame

LeyuDame

github
ホームアーカイブタグ

Mistral AI OCRの紹介

26
AI 翻訳
この記事はAIを通じて中国語から日本語に翻訳されました。原文を表示
AI が生成した要約
本期整理了一些常用的LaTeX工具，介绍了Mathpix和Mistral两款OCR工具。Mathpix支持多种格式转换，但免费版限制较多，付费较贵。Mistral是新兴的OCR工具，价格便宜，支持批量处理PDF文件。用户可以通过官网或API调用进行文件转换，提供了Python代码示例和GitHub链接，方便用户使用和修改。

今回から、一般的な LaTeX 関連ツールを整理し、このアカウント設立の目的に立ち返ります。

簡単な紹介#

過去には、数学公式を認識してコードに変換するための最も優れたウェブサイト / ソフトウェアは Mathpix でした：pdf、png から tex、md へのさまざまな形式変換をサポートしており、もちろん docx なども含まれています。pdf 文書の変換やスクリーンショットの認識において、モバイル端末の Snip App からデスクトップクライアント、ウェブ版、ブラウザプラグインまで全エコシステムのカバーにより、使用体験は非常にスムーズです。

しかし、無料版の使用制限はかなり限られており、有料サブスクリプションは非常に高価です（年間 50 ドル）；さらに、ウェブ版では時折ネットワーク接続が不安定になることがあります。

しかし今、地球上最強の OCR ツール Mistral が登場しました。これはフランスのスタートアップ AI 企業で、ヨーロッパ版の DeepSeek と考えることができます。その価格も非常に安価です（OCR 機能は約 1 ドルで千ページ以上の pdf を変換できます）。

使用例#

ファイルアップロード#

公式ウェブサイトのチャットインターフェースに直接アクセスします（携帯番号でアカウント登録が必要な場合があります）：

https://chat.mistral.ai/chat

他の大規模言語モデルと同様に、ダイアログボックス内にファイルをアップロードし、「markdown に変換」と入力するだけです；例えば、ここでは DeepSeek-R1 に関する論文をアップロードしました：
image
数秒待つと、変換された markdown コードが得られます。
さらに、Typora や Obsidian などの markdown エディタを利用すれば、pdf、docx などの形式に変換したり、表示したりできます（pandoc を追加でインストールする必要があるかもしれません）。

ウェブ版の効果展示#

さらなる効果展示については公式ウェブサイトをご覧ください：

https://mistral.ai/news/mistral-ocr

これは元の pdf ファイルです：
image
これは変換後に Typora で表示された効果です（テーマ：Newsprint）：
目次（ハイパーリンク付き）
数学公式
表

画像を除けば、効果は非常に良好ですが、画像も抽出して適切な位置に保持したい場合は、以下の方法を使用する必要があります。

上級設定#

公式ウェブサイトのチャットインターフェースでファイルを処理するだけでなく、API 呼び出しを通じてバッチ処理を行うこともできます。
@nicekateが提供した Python コードに感謝します。これにより、ローカルで Mistral API を呼び出してファイル処理を行うことができ、Bilibili には対応するデモ動画もあります。

  1. GitHub リポジトリのアドレス：
    https://github.com/nicekate/mistral-ocr
  2. Bilibili 動画：
    【実測 Mistral OCR ：世界最高の文書理解モデル？】 https://www.bilibili.com/video/BV1Bw92YiEEH

設定方法も非常に簡単で、自分の API キーを申請し、上記のリポジトリをクローンして、対応する API キーを入力するだけです。

API キーの申請#

コンソールの左側メニューで「API Keys」をクリックし、右上の「Create new key」をクリックしてコピーします。

https://console.mistral.ai/home

Python コードのダウンロード#

まず、上記のリポジトリをローカルにクローンします：

git clone https://github.com/nicekate/mistral-ocr.git

次に、依存関係をインストールします：

pip install mistralai

pdf_ocr.py 内で API キーと PDF ファイルのパスを変更します（72～73 行）：

API_KEY = "自分のapiキーを入力"

PDF_PATH = "xxx.pdf"

ファイルを実行すると、同じディレクトリ内に変換後のフォルダocr_results_xxxが見つかり、その中には変換された markdown ファイルと画像ファイルが含まれています。

ローカル変換効果展示#

テーマ：Typora GitHub
image

image

バッチ処理#

複数の PDF ファイルを同時に変換する必要がある場合、基盤の上に自分でバッチ処理機能を追加しました。同じディレクトリ内のすべての PDF ファイルを変換できます。

具体的な変更は以下の通りです：

  1. 指定したフォルダをスキャンしてすべての PDF ファイルの完全なパスを返すget_pdf_files_in_directory 関数を追加しました。
    2. __main__ 内で、手動で PDF ファイルのパスを指定する方法を、フォルダから自動的に PDF ファイルを取得する方法に置き換えました。
  2. フォルダ内に PDF ファイルがない場合、ユーザーに通知します。
    以下は追加されたコードスニペットです：
def process_pdfs(pdf_paths: list, api_key: str) -> None:

for pdf_path in pdf_paths:

try:

output_dir = process_pdf(pdf_path, api_key)

print(f"ファイル {pdf_path} の処理が完了しました。結果は: {output_dir} に保存されています。")

except Exception as e:

print(f"ファイル {pdf_path} の処理中にエラーが発生しました: {e}")

  

def get_pdf_files_in_directory(directory: str) -> list:

"""指定したディレクトリ内のすべてのPDFファイルのパスを取得します"""

pdf_files = []

for file in os.listdir(directory):

if file.endswith(".pdf"):

pdf_files.append(os.path.join(directory, file))

return pdf_files

  

if __name__ == "__main__":

# 使用例

API_KEY = "your_mistral_api_key"

DIRECTORY = "your_pdf_file" # PDFファイルを含むフォルダ名を指定

  

# フォルダ内のすべてのPDFファイルを取得

PDF_PATHS = get_pdf_files_in_directory(DIRECTORY)

if not PDF_PATHS:

print(f"ディレクトリ {DIRECTORY} にPDFファイルが見つかりませんでした。")

else:

process_pdfs(PDF_PATHS, API_KEY)

完全なファイルは GitHub にアップロードされており、スターを歓迎します：

参考資料#

  1. 完璧に PDF を翻訳する第一歩 - Mistral OCR 初歩的使用ガイド https://zhuanlan.zhihu.com/p/28801320889
  2. 【実測 Mistral OCR ：世界最高の文書理解モデル？】 https://www.bilibili.com/video/BV1Bw92YiEEH
  3. https://github.com/nicekate/mistral-ocr
  4. 前者に基づいてバッチ処理機能を追加：https://github.com/YZDame/mistral-ocr
読み込み中...
文章は、創作者によって署名され、ブロックチェーンに安全に保存されています。