テキスト抽出

互換性と仕様

サポートされる入力ファイルの種類

異なる言語の文書や、複数の言語が混在する文書からテキストを抽出することができます。 以下のファイルタイプからテキストを抽出します：

対応している文書形式：

ファイルの種類	拡張子	テキスト抽出機能	意味的なキー・バリューペアの抽出
PDF ファイル	.pdf	はい	はい
Powerpoint	.pptx.ppt	はい	はい
Word 文書	.docx.doc	はい	はい
エクセル	.xlsx	はい	いいえ

対応画像形式：

ファイルの種類	拡張子	テキスト抽出機能	意味的なキー・バリューペアの抽出
BMP画像	.bmp	はい	はい
HEIC/HEIF形式の画像	.heic.heif	はい	はい
JFIF画像	.jfif	はい	はい
JPEG画像	.jpeg.jpg	はい	はい
PNG画像	.png	はい	はい
TIFF画像／複数画像	.tif.tiff	はい	はい

その他の対応形式：

ファイルの種類	拡張子	テキスト抽出機能	意味的なキー・バリューペアの抽出
HTML	.html	はい	はい
マークダウン	.md	はい	いいえ

注： テキスト抽出APIを使用して、XLSXドキュメントからキーと値のペアデータを抽出することはできません。

対応出力ファイル形式

抽出したテキストは以下のファイル形式で保存できます：

• JSON
• マークダウン
• HTML
• TXT

各出力ファイル形式における抽出結果の内容については、「 出力形式の指定 」を参照。

対応ストレージタイプ

入力文書は、以下の接続ストレージタイプに保存できます：

• IBM Cloud Object Storage
• Amazon S3
• Amazon S3 互換の汎用ストレージ
• ボックス
• Microsoft OneDrive
• Microsoft Azure Blob Storage
• Microsoft Azure File Storage
• IBM watsonx.data SharePoint
• IBM FileNet P8 Content Manager
• スラック
• コンフルエンス
• Google Drive
• NFS

テ キ ス ト 抽出出力フ ァ イ ルは、 以下の接続 さ れた ス ト レージ タ イ プに格納で き ます：

• IBM Cloud Object Storage

• Amazon S3

• Amazon S3 互換の汎用ストレージ

• ボックス

• Microsoft OneDrive

• Microsoft Azure Blob Storage

• Microsoft Azure File Storage

• NFS

  注。テキスト抽出APIは、一般的な Amazon S3 -互換性のある MinIO オブジェクトストレージで使用するために認定されています。

プロジェクト内の様々なタイプのデータストアへの接続の作成方法の詳細については、 watsonx.ai のコネクタを参照してください。

また、ドキュメントやテキスト抽出結果を、プロジェクトまたはデプロイメント・スペース 関連付けられたコンテナに保存することもできます。

対応基盤モデル

テキスト抽出APIは、キーと値のペアの抽出と画像の言語化に mistral-small-3-1-24b-instruct-2503 モデルを使用することが認定されています。 また、視覚入力を処理し、JSON形式で応答できる次のような代替モデルを使用することもできます：

• llama-4-maverick-17b-128e-instruct-fp8
• mistral-medium-2505
• mistral-medium-2508

また、このテキスト抽出APIは、キーバリューペアの抽出および画像の言語化において、当該 pixtral-12b モデルの使用が認定されています。 ただし、このモデルはバージョン 2.3.0 以降で非推奨となっており、今後のリリースで削除される予定です。 テキスト抽出APIのワークロードを、最新の推奨モデルに移行してください。

基盤モデル詳細については、 対応基盤モデル を参照。

サポート対象言語

• スキャンしたPDF文書や画像の場合、テキスト抽出には光学文字認識（OCR）が使用されます。 対応言語は、OCRの言語モデルによって異なります。
• HTML、Markdown、Microsoft Word、 PowerPoint,、Excelなどのプログラム形式の文書については、テキスト抽出機能がすべての言語に対応しています。

すべての言語の文書において、画像のテキスト化に対応しています。 ただし、生成される画像の説明文は、入力文書の言語にかかわらず、英語で返されます。

以下の言語において、セマンティックなキー・バリューペアの抽出が正式にサポートされています：

• 中国語
• 英語
• フランス語
• ドイツ語
• イタリア語
• 日本語
• ポルトガル語
• スペイン語

APIを使用する際は、OCRが対応している言語コードまたは文字体系を指定してください。

制約事項

• 特定の入力ファイルタイプからテキストを抽出し、抽出された出力を特定のファイルタイプに保存することができます。 すべての入力ファイルタイプは、サポートされているすべての出力形式に抽出することはできません。 以下の表は、どの入力ファイルタイプが様々な出力フォーマットに対応しているかの詳細です：

  テキスト抽出APIの入力ファイル形式と抽出出力形式の互換性

  入力ファイルの種類	対応出力ファイル形式
  プログラムPDF	すべてのフォーマット
  スキャンしたPDF	すべてのフォーマット
  画像	すべてのフォーマット
  Microsoft PowerPoint ファイル	すべてのフォーマット
  マイクロソフト・ワードファイル	すべてのフォーマット
  マークダウン	すべてのフォーマット
  マイクロソフト・エクセルファイル	マークダウン、JSON、プレーンテキスト
  HTMLファイル	マークダウン、JSON、プレーンテキスト

• キーと値のペアの抽出結果は、アセンブリ出力形式でのみ返されるため、HTML、Markdown、またはプレーンテキスト出力形式には、キーと値のペアのデータは含まれません。

働き方

watsonx.ai API で認証を行うには、認証情報を生成する必要があります。 詳細については、 「ベアラー・トークンの生成」 を参照してください。

watsonx.ai プロジェクトに保存されている文書からテキストを抽出するには、以下のプログラムメソッドを使用します：

• REST API
• Python
• Node.js

詳細情報

• 文書からのテキスト抽出
• 抽出したテキストをRAGソリューションに追加する