ドキュメント処理

簡単に言うと：これは Cherry Studio の「PDF / 画像 / スキャン文書の文字認識」を行う中央設定です。

たとえば、次のようなことはすべてこれに依存します：

• スキャンした契約書 PDF をチャット欄にドラッグして、AI に内容を読ませたい
• 画像形式の請求書をたくさんナレッジベースに入れて、あとで検索できるようにしたい
• あなたの Agent ローカルフォルダ内のあるスクリーンショットを開いて分析したい

これらのシーンの裏では、まず「画像内の文字」を「AI が読める文字」に変える必要があり、この手順は技術的には OCR（Optical Character Recognition、光学文字認識）。

Cherry Studio では OCR の設定をすべて1つの設定ページにまとめています：ここで一度設定すれば、OCR を使うすべての場所で同じ設定が使われます。

設定の入口

開く 設定 → 文書処理に由来する：

文書処理設定パネル

このパネルは「画像の文字認識」と「PDF 解析」の2つに分かれています。

1. OCR サービス — 画像の文字認識

対象：画像（スクリーンショット、スキャン文書）、AI に読ませる前に文字として認識する必要がある内容。

• macOS：「システム OCR」を選ぶだけで、追加設定は不要です。システム標準の画像認識機能を利用し、オフライン・無料 ✅
• Windows：「システム OCR」を選べばすぐ使えます。英語 / 中国語以外の言語を認識する場合は、Windows で対応する言語パックをダウンロードする必要があります
• Linux / 上級者向け：Tesseract、Paddle OCR、OpenVINO などを選択可能

OCR エンジンの比較

エンジン	向いている人
システム OCR	最もシンプルで、設定不要。通常は十分な精度
Tesseract	定番のオープンソース OCR。Cherry Studio に内蔵されており、言語のカスタマイズに対応
Paddle OCR	中国語の認識精度がより高い（Baidu のオープンソース）。「星河コミュニティのアクセストークン + API URL」が必要
OpenVINO	Intel GPU で高速化可能

迷ったら既定のシステム OCR を使い、認識結果がよくない場合に切り替えてください。

2. 文書処理サービス提供元 — PDF / 複雑な文書を構造化解析するため

対象：表 / 複数カラム / スキャンページ付きの PDF、長文ドキュメント。普通のテキストのみの PDF はそのまま読めるので、ここを通す必要はありません。

サービス提供元	簡単な説明
MinerU（デフォルト）	無料のクラウドサービスで、複雑なレイアウトの PDF（学術論文、契約書など）に特化。 mineru.net で登録して API Key を取得する
Paddle OCR	オフライン方案で、星河コミュニティのアクセストークンの設定が必要
サードパーティ Provider	設定済みの AI サービス提供元のビジョンモデルを呼び出して認識する（より賢いが有料）

MinerU を設定する（既定方案）

1. で API Key 欄には MinerU で取得した key を入力
2. API Host 既定のまま https://mineru.net
3. ナレッジベースや Agent に切り替える際、追加設定は不要で、ここでの設定が自動的に使用されます

ナレッジベースとの関係

• 文書処理は「非テキスト → テキスト」のこの工程だけを担当します
• 変換後のテキストはそのまま 埋め込みモデル ベクトル化、格納
• ナレッジベースでの「有効化」手順の詳細は ナレッジベースの文書前処理

設定が不要な場合

• ナレッジベースにプレーンテキスト（.md / .txt / .docx の純粋なテキスト段落）だけを取り込む → 文書処理を完全に通りません
• チャット機能だけを使い、ファイルを送らない → 同上

ヒントとコツ

• MinerU は表や複数カラムのレイアウトを含む PDF で Tesseract より大幅に優れており、学術論文などでは第一候補です
• オフライン環境では Paddle OCR または Tesseract を使ってください（ネットワークなしでも動作します）
• 処理器を切り替えたあと、以前にベクトル化した資料は 自動では再処理されません —— 手動で再インポートする必要があります

---

💡 ヘルプの取得とフィードバックの送信

設定や使用の過程で疑問、Bug、機能改善の提案がある場合は、 フィードバックと提案 に記載の公式チャネルをご参照ください。