synthonly-ja-str-6m-202611：合成データだけで学習した日本語文字列認識モデル

日本語の文字列画像（1 行の切り出し）を読む、約 600 万パラメータの文字認識モデルです。

• 学習データは合成だけです。 実際の撮影画像や実際の手書きは学習に使っていません。

• 読める対象： 看板、レシート、紙面などの印刷文字と、手書き文字です。横書きも縦書きも読めます。

• JaWildText の test での結果： 次のとおり、実データで学習した NDLOCR-Lite を上回りました。

  対象	このモデル	NDLOCR-Lite
  board＋receipt の合算	81.0%	70.6%
  手書き行（CER）	**32.7%**（12.4）	30.0%（15.9）

• 速度： CPU 1 スレッドで 1 行あたり約 19 ms です。

概要

項目	内容
タスク	文字列認識（切り出した 1 行の画像 → 文字列）。日本語とラテン文字、横書きと縦書き
パラメータ数	6.00M
速度	CPU 1 スレッド、バッチ 1、前処理込みで 1 行あたり約 19 ms（Apple M シリーズ）

使い方

pip install torch numpy opencv-python-headless safetensors
python synthonly_infer/recognize.py --model . crop1.jpg crop2.png

import sys
sys.path.insert(0, "synthonly_infer")
from recognize import Recognizer

rec = Recognizer(".", device="cpu")      # または "cuda"
print(rec(["crop.jpg"]))                 # パス、エンコード済み画像のバイト列、RGB uint8 配列のいずれか

• synthonly_infer/ には、推論に必要な最小限のコードだけを入れてあります。上記のパッケージ以外に依存はありません。
• 入力は 1 行分の切り出し画像にしてください。このモデルは文字の検出をしません。
• 出力できるのは、charset.txt にある 7,090 文字です。最大 50 文字まで出力します。
• 出力は次の正規形で、空白は含みません。
  • NFKC 正規化のうえ、空白を除きます。
  • ダッシュ類は -、波ダッシュ類は ~、中点類は ・、曲がった引用符は ' / " にそろえます。
  • 分離した濁点・半濁点は合成します。

学習

データ

学習データはすべて合成です。

• 印刷文字：
  • 1,910 個のフォントファイル（OFL / Apache / IPA）で描画しています。
  • 看板、レシート、値札、紙面、LED、7 セグなどのさまざまな場面のテンプレートを使っています。
• 手書き文字：
  • 漢字のストロークデータを、書き手ごとの癖のモデルで変形して合成しています。
  • 筆記具は、ボールペン、鉛筆、サインペン、マーカー、タブレットのペンを模しています。
  • 紙はノートの罫線や方眼です。
• 手書きの撮影条件： 白地に極細のデジタルインクで書いた行や、ノートを撮影した写真のように暗め・ぼけ気味・暖色に仕上げた行も含みます。
• 文の出所： 青空文庫、Tatoeba、辞書・統計データ由来の固有名詞、価格・日付などのテンプレート、英単語などです。

JaWildText は評価にだけ使い、学習には使っていません。

評価

評価の方法（JaWildText）

• 評価データは JaWildText（Apache-2.0）の test です。行はポリゴンから補正して切り出しました。
• 分割は、board / receipt では画像のハッシュ単位、手書きでは書き手単位です。
• 正解率は、上記の正規化後の完全一致（行単位）です。
• 95% 信頼区間は、board / receipt では画像単位、手書きでは書き手単位、英語では行単位のブートストラップで求めました。

JaWildText の結果

test セット	行数	正解率	1−NED	CER
board	21,671	76.18 [74.12, 78.16]	90.94	8.09
receipt	36,098	83.94 [83.26, 84.61]	94.44	10.16
board＋receipt（合算）	57,769	81.03 [80.13, 81.93]	93.13	9.20
手書き	4,087	32.66 [30.65, 34.70]	88.66	12.42

英語ベンチマーク

英語ベンチマークは、大文字小文字を区別しない英数字 36 文字での正解率です（PARSeq の評価方法）。

IIIT5k	SVT	IC13 (1015)	IC15 (2077)	SVTP	CUTE80	合算（7,672 行）
90.60	84.39	90.34	67.40	71.32	81.25	81.79

ほかのモデルとの比較

同じ test の切り出し画像で比べました。

モデル	パラメータ数	学習データ	board＋receipt	手書き 正解率 / CER	英語（合算）
このモデル	6.0M	合成、2,200 万サンプル	81.03	32.66 / 12.4	81.79
NDLOCR-Lite	8.8–9.8M	実データ	70.57	30.02 / 15.9	67.70

• NDLOCR-Lite： バックスラッシュとして出力される ¥ は、¥ に戻して評価しています。

制限事項

• 1 行のみ。 入力は切り出した 1 行の画像にしてください。50 文字を超える行は出力できません。極端に長い画像は幅 768 px に縮められます。
• 向き。 文字が約 45° 以上傾いた画像や、上下が逆の画像は誤読します。自動で回転するのは縦長の画像だけで、反時計回りに 90° 回します。
• 手書き。 印刷文字に比べると、まだ大きく劣ります。とくに苦手なのは次のものです。
  • 崩し字や乱れた字；
  • 手書きのラテン文字、ギリシャ文字、数式。
• 英語。 英語専用のモデルには及びません。学習データに占める英語は約 7% です。
• 文字集合。 7,090 文字にない文字は出力できません。JIS 第 2 水準を超える漢字や絵文字がこれに当たります。

ライセンス

このリポジトリ（重みと同梱コード）は CC BY 4.0（Creative Commons Attribution 4.0 International）で提供します。

• 利用、改変、再配布は、商用を含めて自由です。
• 配布や公開の際は、出典としてこのリポジトリを表示してください。

合成データの元にした素材

素材	用途	ライセンス	表示
フォント 1,910 ファイル（OFL-1.1：1,864、Apache-2.0：44、IPA：2）	文字の描画	SIL OFL 1.1 / Apache-2.0 / IPA フォントライセンス	フォントで描画した画像はフォントによる成果物で、OFL の条件は及びません
KanjiVG（r20260714）	手書き文字の合成	CC BY-SA 3.0	Copyright (C) 2009-2026 Ulrich Apel, https://kanjivg.tagaini.net/
Poly Haven、ambientCG のテクスチャ	背景	CC0-1.0	—
PD12M の写真	背景	CC0-1.0 / Public Domain Mark	—
青空文庫のパブリックドメイン作品（globis-university/aozorabunko-clean 経由）	文	CC BY 4.0（作品自体はパブリックドメイン）	青空文庫（aozora.gr.jp）、globis-university/aozorabunko-clean
Tatoeba（日本語・英語の文、英単語の頻度）	文、英単語	CC BY 2.0 FR	Tatoeba（tatoeba.org）の投稿者
dwyl/english-words	英単語	Unlicense	—
SudachiDict（small＋core。UniDic、NEologd の一部を含む）	人名、地名、名詞、カタカナ語	Apache-2.0（UniDic 部分は BSD-3-Clause）	Works Applications、UniDic コンソーシアム、NEologd
国土数値情報（鉄道データ）N02 2024	駅名、路線名、事業者名	CC BY 4.0	「国土数値情報（鉄道データ）」（国土交通省）を加工して作成
国税庁法人番号公表サイト	会社名、市区町村名、町名	公共データ利用規約 第1.0版（PDL 1.0）	出典：国税庁法人番号公表サイト（国税庁）を加工して作成
レシートの語彙、テンプレート、記号	文のテンプレート	本プロジェクトで作成	—

ファイル

ファイル	内容
model.safetensors	モデルの重み（fp32）
config.json	推論に使う設定
charset.txt	出力の 7,090 文字を ID 順に並べたもの（ID は行番号、0 は系列の終わり）
synthonly_infer/	推論用の最小限のコード（recognize.py ほか）