AIに写真を見せると、写っているものの説明や画像についての質問に答えてもらえます。 ただし、文字・数・位置の読み取りは間違うことがあります。使う前に「文字を取り出したいのか」「内容を考えたいのか」を分けるのが近道です。
この記事は2026年10月16日に確認した各社の開発者向け公式資料に基づく入門解説です。チャットアプリの画面や利用枠は製品によって異なります。ここで挙げる写真や出力は説明用の仮例で、実際に各製品を試した結果ではありません。
OCRと画像理解は、何を返すのか
**OCR（光学文字認識）**は、画像の中の文字を検出し、文字列として取り出す技術です。Google CloudのOCR資料では、看板の文字を抜き出す機能と、文書のページ・段落・単語を扱う機能を区別しています。例えば店頭の写真から「本日休業」という文字を取り出すのはOCRの仕事です。
一方、生成AIの画像理解は、写真について言葉で説明したり、質問に答えたりする使い方です。GoogleのGemini API資料には画像の説明、分類、画像についての質問への回答が挙げられています。写真を見せて「休業のお知らせはどこにある？」「店に行く前に何を確認すべき？」と聞くと、文字と周囲の様子を合わせて答えを作る、という違いです。
図の二つは目的の違いです。「OCRなら常に正確」「生成AIは内部で必ずOCRを使う」という処理方式や精度を示すものではありません。実際の製品では画像の扱い方が異なります。
写真一枚で頼めること、頼みにくいこと
例えば冷蔵庫の写真なら「見える食材を箇条書きにする」「写っている材料で作れる料理の候補を考える」と頼めます。前者は画像の観察、後者は観察した内容を使った提案です。袋の裏面に小さく書かれた賞味期限まで、同じ確かさで読めるとは限りません。
OpenAIの画像入力資料は、画像の説明や写っている文字の読み取りができる一方、小さな文字、回転した画像、線種や色で区別するグラフ、物の正確な個数などで誤りが起こり得ると説明しています。日本語など、ラテン文字以外を含む画像では性能が十分でない場合も挙げています。
Anthropicの画像入力資料も、小さな文字や不鮮明な画像を避けるよう勧めています。画像内の物の数や位置は概算にとどまることがあり、AI画像かどうかの判定にも頼るべきではないとしています。「この画像は本物？」への返答だけで真偽を決めないことが大切です。
また、APIの資料が示す能力を、手元のチャットアプリで同じように使えると決めつけないでください。画像を添付できるか、何枚まで扱えるか、どんな制限があるかは、実際に使うアプリで確かめる必要があります。カメラを向けながら質問するGemini LiveのGuided Visionも、静止画一枚を送る場合とは操作が異なります。
読み間違いを減らす、写真と質問の作り方
私なら、まず答えを検証できる大きさで撮ることを優先します。たとえば料理の材料を見たいときは全体写真が役立ちます。ラベルの日付を確かめたいときは、その部分を明るく、まっすぐ、大きく写します。Googleの画像入力資料は画像を正しい向きにし、不鮮明な画像を避けるよう勧めています。高い解像度は細部の読み取りを助ける一方、処理量も増やすと説明しています。
次に、観察と推測を分けて質問します。例えば「画像に見える賞味期限をそのまま書いてください。読めない部分は『読めない』と書いてください。料理の提案はまだ不要です」と頼みます。その文字列を原画像で確認してから、別の質問で料理案を求めます。これは公式資料が保証する手順ではなく、読み間違いが提案へ広がるのを防ぐための使い方です。
最後に、金額、期限、薬の名前、契約条件など、間違えると影響が大きい文字や数字は原画像へ戻って確認します。読み取り後の人による確認項目も参考になります。AIの返答が自然でも、画像にない文字を補っている可能性は残ります。
よくある質問
OCRだけ使えば、写真の内容も理解できますか？
OCRの中心は文字の取り出しです。Google Cloudの例では取り出した文字列や単語の位置を返します。料理の提案や場面の説明には、取り出した文字のほか、画像の状況を考える処理が要ります。目的に応じて使い分けてください。
写真を高画質にすれば、正確に読めますか？
細部を見やすくする助けにはなりますが、正確さの保証にはなりません。文字のぶれ、反射、傾き、切れた部分にも注意してください。OpenAIとAnthropicの資料は、鮮明な画像でも数や位置などで誤りがあり得ると説明しています。
AIに「これはAI生成画像ですか」と聞けば判定できますか？
その返答だけでは判断できません。Anthropicは、AI生成画像の判定にClaudeを頼らないよう明記しています。写真の出所を知りたい場合は、元の掲載先や撮影者など、画像の外にある情報も確認してください。
文字を抜き出す、画像について説明する、現実の事実を確かめる。 この三つは別の作業です。AIの説明を出発点にしても、重要な答えは写真や元資料で確かめましょう。