2026/02/23

WhisperもLLMも無料で試せる？0円でAI APIを使う方法：Groq Cloud無料枠の簡単レビュー　2026年2月版

Groq Cloudは無料で使える？実際にAPIを試してわかった無料枠と制限まとめ

AI APIは便利ですが、気になるのは料金です。

OpenAIやAnthropicは従量課金制。
テスト段階ではできるだけコストを抑えたいものです。

そこで試してみたのが「Groq Cloudの無料枠（Free Tier）」です。
https://groq.com/

今回は、実際にAPIを使ってみた経験をもとに、

無料枠の内容
どこまで実用的か
制限は厳しいのか

を整理します。

目次の前にさらっと結論！
１：APIなので低スペックPCでも使える。便利
２：テストでやってみるなら全然OK
３：０円で使えるので消費量みて従量のコストが体感できる。怖くない
４：OpenAI形式なので汎用性のあるAPIが覚えられる
５：使ってみるとgeminiよりも応答の速いGroqすごいと思う
６：whisperでも応答が速い。Groqすごい
７：Groqの従量課金は高くないのでGroq使い勝手いいかも
８：調子にのって使っていると制限で使えなくなる

テスト環境はCPUは１０世代のIntel＋メモリ16GBの５万くらいの中古ノート
アマゾンならこういうの＞https://amzn.to/3MTlDUd
ちゃんと動く。
PCではPowershellでURLアクセスとテキスト処理のみ。

もう少ししっかりテストするなら１０万以下のこういうので↓いいと思う。
GROQのAPI運用ならローカルのスペックはそんなにいらない。
メモリ16GBでいいと思う。

Groqは応答速度が非常に速い。でも、OpenAIのgpt-5-nanoはかなりコストが安い。
gpt-5-nanoでも十分ならOpenAIでいいのかも。nanoでも精度は良い。

https://developers.openai.com/api/docs/pricing
gpt-5-nano $0.05/1M-input $0.40/1M-Output
（↑1Mトークンでどこまでやれるの？の体感をGroqで試してみてもいいかも。）
（llama-3.3-70b-versatile、gpt-oss-120bで、GPT-4に足りないくらいの精度らしい）

Groq Cloudとは
無料枠（Free Tier）の内容
実際に使ってみた感想
注意点
無料枠は実用レベルか
まとめ

Groq Cloudとは

Groq Cloudは、高速推論に特化したAI APIサービスです。

対応モデルには以下のようなものがあります。

Llama系モデル
Whisper（音声文字起こし）
Vision対応モデル

特に特徴的なのは、推論速度の速さです。

体感としては、他のAPIよりもレスポンスが非常に速い印象があります。
開発時のストレスが少ないのは大きな利点です。

無料枠（Free Tier）の内容

2026年2月時点での無料枠の概要は以下の通りです。
多くはないですが試験するには十分と思います。

Groq Free Tier Limits
Model	RPM	RPD	TPM	TPD
allam-2-7b	30	7K	6K	500K
groq/compound	30	250	70K	No limit
groq/compound-mini	30	250	70K	No limit
llama-3.1-8b-instant	30	14.4K	6K	500K
llama-3.3-70b-versatile	30	1K	12K	100K
meta-llama/llama-4-maverick-17b-128e-instruct	30	1K	6K	500K
meta-llama/llama-4-scout-17b-16e-instruct	30	1K	30K	500K
meta-llama/llama-guard-4-12b	30	14.4K	15K	500K
meta-llama/llama-prompt-guard-2-22m	30	14.4K	15K	500K
meta-llama/llama-prompt-guard-2-86m	30	14.4K	15K	500K
moonshotai/kimi-k2-instruct	60	1K	10K	300K
moonshotai/kimi-k2-instruct-0905	60	1K	10K	300K
openai/gpt-oss-120b	30	1K	8K	200K
openai/gpt-oss-20b	30	1K	8K	200K
openai/gpt-oss-safeguard-20b	30	1K	8K	200K
qwen/qwen3-32b	60	1K	6K	500K

Token Cost Comparison (1M tokens)
Model	Input (1M)	Output (1M)
OPENAI gpt-5-nano	$0.05	$0.40
Groq GPT OSS 120B 128k	$0.15	$0.60

Model Capabilities
Model	テキスト	画像	特長
allam-2-7b	○	×	軽量高速
groq/compound	○	×	複合推論
groq/compound-mini	○	×	軽量複合
llama-3.1-8b-instant	○	×	超高速
llama-3.3-70b-versatile	○	×	高精度
meta-llama/llama-4-maverick-17b-128e-instruct	○	○	視覚対応
meta-llama/llama-4-scout-17b-16e-instruct	○	○	視覚高速
meta-llama/llama-guard-4-12b	○	×	安全判定
meta-llama/llama-prompt-guard-2-22m	○	×	入力検査
meta-llama/llama-prompt-guard-2-86m	○	×	高精検査
moonshotai/kimi-k2-instruct	○	×	長文強い
moonshotai/kimi-k2-instruct-0905	○	×	改良版
openai/gpt-oss-120b	○	×	大規模
openai/gpt-oss-20b	○	×	軽量版
openai/gpt-oss-safeguard-20b	○	×	安全特化
qwen/qwen3-32b	○	×	多言語

リクエスト制限

多くのモデルで 30リクエスト／分（RPM）

1日のリクエスト上限

モデルごとに異なります。

例：

llama-3.1-8b-instant → 約14,000回／日
llama-3.3-70b → 約1,000回／日

トークン制限

1分あたり 6,000〜70,000トークン（モデルによる）
1日あたり 100,000〜500,000トークン（モデルによる）

Whisper（音声API）

音声処理には時間ベースの制限があります。

例：

1時間あたり約120分の音声処理
1日あたり約8時間分

実際に使ってみた感想

テキスト処理

ブログ整形、OCR結果の整形、要約などは十分実用的です。
無料枠でも日常的なテスト用途には問題ありません。

Whisper文字起こし

2時間を超えるm4aファイルも、分割すれば対応可能です。
業務テスト用途としては十分な性能です。

注意点

商用利用する場合は必ず利用規約を確認すること
無料枠は予告なく変更される可能性があること
同時実行数には制限があること

無料枠は実用レベルか

結論としては、開発・検証用途なら十分実用レベルです。

特に以下の用途には向いています。

OCR後のテキスト整形
Whisper文字起こし
社内ツール開発
小規模な自動化

本格運用の前段階としては非常に使いやすいサービスです。

まとめ

Groq Cloudは、無料枠でも十分に実用的なAI APIサービスです。

開発段階で従量課金を避けたい場合や、まずは試してみたいという方には特におすすめできます。

といっても、OpenAIのAPIもとても高額な料金ではないので、まずはやってみたい方ならいいかも。
Groqの反応速度は使い勝手よしです。

さらっとテストコード

<#
Get-Weather-Groq.ps1
- Open-Meteoで今日の天気(実データ)を取得
- Groq (llama-3.3-70b-versatile) に渡して「詳しく説明」させる
必要:
  $env:GROQ_API_KEY にAPIキーを設定
例:
  $env:GROQ_API_KEY="gsk_...."
  .\Get-Weather-Groq.ps1 -City "東京" -Language "ja"
#>

param(
  [Parameter(Mandatory=$false)][string]$City = "東京",
  [Parameter(Mandatory=$false)][string]$Language = "ja",
  [Parameter(Mandatory=$false)][string]$Timezone = "Asia/Tokyo",
  [Parameter(Mandatory=$false)][string]$Model = "llama-3.3-70b-versatile"
)

$ErrorActionPreference = "Stop"

# --- 0) Groq API Key ---
$apiKey = $env:GROQ_API_KEY
if ([string]::IsNullOrWhiteSpace($apiKey)) {
  throw "環境変数 GROQ_API_KEY が未設定です。例: `$env:GROQ_API_KEY='gsk_...'`"
}

# --- 1) 都市名 -> 緯度経度（Open-Meteo Geocoding） ---
$geoUrl = "https://geocoding-api.open-meteo.com/v1/search?name=$([uri]::EscapeDataString($City))&count=1&language=$Language&format=json"
$geo = Invoke-RestMethod -Uri $geoUrl -Method Get

if (-not $geo.results -or $geo.results.Count -eq 0) {
  throw "都市 '$City' の緯度経度が見つかりませんでした。別の表記で試してください。"
}

$place = $geo.results[0]
$lat = $place.latitude
$lon = $place.longitude
$resolvedName = $place.name
$admin = @($place.admin1, $place.country) -join ", "

# --- 2) 今日の天気（Open-Meteo Forecast） ---
# 取得項目（必要なら増やしてOK）
$meteoUrl = "https://api.open-meteo.com/v1/forecast" +
  "?latitude=$lat&longitude=$lon" +
  "&timezone=$([uri]::EscapeDataString($Timezone))" +
  "&forecast_days=1" +
  "&hourly=temperature_2m,apparent_temperature,precipitation_probability,precipitation,weathercode,windspeed_10m,windgusts_10m,winddirection_10m,relativehumidity_2m" +
  "&daily=weathercode,temperature_2m_max,temperature_2m_min,precipitation_sum,precipitation_probability_max,windspeed_10m_max,windgusts_10m_max,sunrise,sunset"

$wx = Invoke-RestMethod -Uri $meteoUrl -Method Get

# --- 3) Groq に「今日の天気を詳しく」説明させる ---
$today = (Get-Date).ToString("yyyy-MM-dd")
$system = @"
あなたは日本の天気解説の専門家です。
ユーザーが提供する天気APIのJSON（Open-Meteo）を根拠に、推測で補完せず、データに基づいて「今日の天気」を詳しく説明してください。
出力は日本語。読みやすい箇条書き中心。最後に「外出アドバイス」を短く付けてください。
"@

$user = @"
場所: $resolvedName ($admin)
日付: $today
次のOpen-Meteo JSONを解析して、今日の天気を詳しく解説してください。

--- OPEN-METEO JSON ---
$($wx | ConvertTo-Json -Depth 12)
"@

$endpoint = "https://api.groq.com/openai/v1/chat/completions"

$body = @{
  model = $Model
  messages = @(
    @{ role="system"; content=$system },
    @{ role="user"; content=$user }
  )
  temperature = 0.2
  top_p = 1
  max_tokens = 1200
} | ConvertTo-Json -Depth 10

$headers = @{
  "Authorization" = "Bearer $apiKey"
  "Content-Type"  = "application/json"
}

$res = Invoke-RestMethod -Method Post -Uri $endpoint -Headers $headers -Body $body
$text = $res.choices[0].message.content

# --- 4) 表示 ---
"=== 今日の天気（Groq解説）==="
$text

ページ上部へ戻る

2026/01/25

CPUでOCR処理：LightOnOCR-2-1B

PythonでのOCR処理。EasyOCRでやってました。

【2025年12月版】Windows で EasyOCR と Poppler を利用して PDF を OCR する手順

https://nokoshitamono.blogspot.com/2025/12/202512windows-easyocr-poppler-pdf-ocr.html

LightOnOCR-2-1Bでもやってみました。

https://huggingface.co/lightonai/LightOnOCR-2-1B

EasyOCRは高速処理。

LightOnOCR-2-1Bはそれなりに時間がかかるけど、段組みの認識は強い。
CPUでも動くので使えるかも。
WikipediaのページをOCR処理した結果

モデルはどっかにダウンロードする

git lfs install
git clone https://huggingface.co/lightonai/LightOnOCR-2-1B c:/llamamodels/LightOnOCR-2-1B
あとは各ライブラリをpipでインストール。
pip checkで過不足ない感じにすれば動くはず。
torchはCUDA対応にすればGPU使えますが、CPUだけでも動きます。


# python lightonocr_local.py test.jpg --out result.txt
# python lightonocr_local.py book.pdf --pages 1,2,5-12

import argparse
import io
import os
from pathlib import Path
from typing import List, Optional, Tuple

import torch
from PIL import Image

# PDF対応（任意）
try:
    import pypdfium2 as pdfium
except Exception:
    pdfium = None

from transformers import LightOnOcrForConditionalGeneration, LightOnOcrProcessor

MODEL_PATH = r"c:/models/LightOnOCR-2-1B"

IMAGE_EXTS = {".png", ".jpg", ".jpeg", ".webp", ".bmp", ".tif", ".tiff"}


def pick_device() -> Tuple[str, torch.dtype]:
    """
    LightOnOCR公式例に合わせて:
      - mps -> float32
      - cuda -> bfloat16（対応しないGPUなら float16 に切替推奨）
      - cpu -> float32
    """
    if torch.backends.mps.is_available():
        return "mps", torch.float32
    if torch.cuda.is_available():
        # bf16 が怪しい場合は float16 に変更してください
        return "cuda", torch.bfloat16
    return "cpu", torch.float32

def resolve_device_and_dtype(device_arg: str, dtype_arg: str, force_fp16: bool) -> Tuple[str, torch.dtype]:
    """
    CLI指定に基づいて device と dtype を安全に確定する。
    device_arg: auto|cpu|cuda|cuda:0|cuda:1|mps
    dtype_arg : auto|fp32|fp16|bf16
    """
    # --- device 決定 ---
    if device_arg == "auto":
        if torch.backends.mps.is_available():
            device = "mps"
        elif torch.cuda.is_available():
            device = "cuda"
        else:
            device = "cpu"
    else:
        device = device_arg

    # --- device 実在チェック ---
    if device.startswith("cuda"):
        if not torch.cuda.is_available():
            raise RuntimeError("CUDAが利用できません。--device cpu を指定してください。")
        if device != "cuda":
            # cuda:0 のような形式
            try:
                idx = int(device.split(":")[1])
            except Exception:
                raise RuntimeError("CUDA指定は cuda または cuda:0 の形式で指定してください。")

            if idx < 0 or idx >= torch.cuda.device_count():
                raise RuntimeError(f"{device} は存在しません。CUDAは {torch.cuda.device_count()}枚です。")

    if device == "mps" and not torch.backends.mps.is_available():
        raise RuntimeError("MPS が利用できません。")

    # --- dtype 決定 ---
    if dtype_arg == "auto":
        if device.startswith("cuda"):
            dtype = torch.float16 if force_fp16 else torch.bfloat16
        else:
            dtype = torch.float32
    else:
        mp = {"fp32": torch.float32, "fp16": torch.float16, "bf16": torch.bfloat16}
        if dtype_arg not in mp:
            raise ValueError("--dtype は auto|fp32|fp16|bf16 のいずれかです")
        dtype = mp[dtype_arg]

    # MPSはfp32が安全（fp16/bf16で不安定になりやすい）
    if device == "mps":
        dtype = torch.float32

    return device, dtype



def load_images_from_path(path: Path, page_spec: str = "") -> List[Image.Image]:
    """
    path が:
      - 画像ファイル: 1枚
      - フォルダ: 画像を全列挙
      - PDF: 各ページをレンダして画像化（pypdfium2必須）
    """
    if path.is_dir():
        imgs = []
        for p in sorted(path.rglob("*")):
            if p.suffix.lower() in IMAGE_EXTS:
                imgs.append(Image.open(p).convert("RGB"))
        return imgs

    if path.suffix.lower() in IMAGE_EXTS:
        return [Image.open(path).convert("RGB")]

    if path.suffix.lower() == ".pdf":
        if pdfium is None:
            raise RuntimeError("PDFを処理するには `pip install pypdfium2` が必要です。")

        pdf_data = path.read_bytes()
        pdf = pdfium.PdfDocument(pdf_data)

        page_indices = parse_page_range(page_spec, len(pdf))

        images = []
        for i in page_indices:
            page = pdf[i]
            pil_img = page.render(scale=2.77).to_pil()
            images.append(pil_img.convert("RGB"))

        return images

    raise ValueError(f"未対応の入力です: {path}")

def parse_page_range(spec: str, total_pages: int) -> List[int]:
    """
    ページ指定文字列を 0-based index のリストに変換
    """
    if not spec:
        return list(range(total_pages))

    pages = set()

    for part in spec.split(","):
        part = part.strip()

        if "-" in part:
            start, end = part.split("-", 1)

            start_i = int(start) - 1 if start else 0
            end_i = int(end) - 1 if end else total_pages - 1

            start_i = max(start_i, 0)
            end_i = min(end_i, total_pages - 1)

            for i in range(start_i, end_i + 1):
                pages.add(i)
        else:
            i = int(part) - 1
            if 0 <= i < total_pages:
                pages.add(i)

    return sorted(pages)



@torch.inference_mode()
def ocr_image(
    model: LightOnOcrForConditionalGeneration,
    processor: LightOnOcrProcessor,
    image: Image.Image,
    device: str,
    dtype: torch.dtype,
    max_new_tokens: int = 1024,
) -> str:
    """
    Transformersの公式モデルカードにある会話テンプレ方式でOCRする。 :contentReference[oaicite:2]{index=2}
    """
    conversation = [
        {
            "role": "user",
            "content": [
                {"type": "image", "image": image},
            ],
        }
    ]

    inputs = processor.apply_chat_template(
        conversation,
        add_generation_prompt=True,
        tokenize=True,
        return_dict=True,
        return_tensors="pt",
    )

    # floatテンソルだけ dtype を当て、他は device のみ移動
    inputs = {
        k: (v.to(device=device, dtype=dtype) if v.is_floating_point() else v.to(device))
        for k, v in inputs.items()
    }

    output_ids = model.generate(**inputs, max_new_tokens=max_new_tokens)
    generated_ids = output_ids[0, inputs["input_ids"].shape[1] :]
    text = processor.decode(generated_ids, skip_special_tokens=True)
    return text.strip()


def main():
    ap = argparse.ArgumentParser()
    ap.add_argument("input", help="画像ファイル / 画像フォルダ / PDF のパス")
    ap.add_argument("--max_new_tokens", type=int, default=1024)
    ap.add_argument("--out", default="", help="出力テキスト保存先（未指定なら標準出力）")
    ap.add_argument("--page_sep", default="\n\n--- PAGE ---\n\n", help="複数ページの区切り")
    ap.add_argument("--force_fp16", action="store_true", help="CUDA時に fp16 を強制（bf16で不安定なら）")
    ap.add_argument("--pages", default="", help="PDFページ範囲（例: 1-5, 3-, -10, 1,3,5-7）※PDFのみ有効")
    ap.add_argument("--model", default="", help="HF model id or local path（未指定ならコード内の MODEL_PATH を使用）")

    # ★追加（GPU切替）
    ap.add_argument("--device", default="auto", help="実行デバイス: auto | cpu | cuda | cuda:0 | cuda:1 | mps")
    ap.add_argument("--dtype", default="auto", help="精度: auto | fp32 | fp16 | bf16（cuda以外はfp32推奨）")

    args = ap.parse_args()
    model_path = args.model if args.model else MODEL_PATH
    
    
    # ★追加（GPU切替）
    device, dtype = resolve_device_and_dtype(args.device, args.dtype, args.force_fp16)
    print(f"[INFO] device={device} dtype={dtype}")

    model = LightOnOcrForConditionalGeneration.from_pretrained(
        model_path,
        torch_dtype=dtype,
        local_files_only=True,
    ).to(device)

    processor = LightOnOcrProcessor.from_pretrained(
        model_path,
        local_files_only=True,
    )

    images = load_images_from_path(in_path, args.pages)
    if not images:
        raise RuntimeError("処理できる画像が見つかりませんでした。")

    texts: List[str] = []
    for idx, img in enumerate(images, start=1):
        print(f"[INFO] OCR {idx}/{len(images)} ...")
        txt = ocr_image(
            model=model,
            processor=processor,
            image=img,
            device=device,
            dtype=dtype,
            max_new_tokens=args.max_new_tokens,
        )
        texts.append(txt)

    final_text = args.page_sep.join(texts)

    if args.out:
        out_path = Path(args.out)
        out_path.write_text(final_text, encoding="utf-8")
        print(f"[INFO] saved: {out_path}")
    else:
        print(final_text)


if __name__ == "__main__":
    main()

2025/12/16

データSIMが使えるようになるまで1時間くらいかかるときもある

50GBのデータSIMカードをamazonで購入。
設定どおりにAndroid、iPhoneに挿して、10分20分待っても通信できず。。。

やり方わからずに発売元にも聞いてみた。
説明をしたりと、だいたい1時間くらい経過したらいつのまにか通信できるようになってた。
10分くらい待つ、とは聞いたことあったけど電波弱いと時間が必要かもと思います。

TORA様のSIMは通信速度も良かったです。
50GBも使えます。

eSIMと物理SIMがあるけど、端末やスマホを替えるかもしれないなら

物理SIMのほうが便利。

一つの端末で使い切りならeSIMの方が便利で少し安い。

30GBで3000円しないなら、たくさん使いそうなときだけeSIMで使えばいいのかもと思う。

360日で50GBが5,000円しないなら、サブ端末はこういうのでいいかも。
あとはWIFIを使うなど。
5000/12 =417円／月。

[

2025/12/12

【2025年12月版】WindowsでEasyOCRとPopplerを利用してPDFをOCRした文章の誤字脱字や改行を修正手順

前の続きです。

【2025年12月版】Windows で EasyOCR と Poppler を利用して PDF を OCR する手順

OCR処理したので文章が間違っていたりします。

主に誤字脱字と改行場所の修正が必要です。
解決策＞languagetoolを使って修正する。 https://languagetool.org/

細かいところは直らないけど、ざっくり直る。

コードは下に。

JAVAが必要になりますのでインストールするか、zip解凍してパスを通す。
（Java17JREだとそれなりの容量です）

"""
OCR後の日本語テキストをローカルで整形・校正するパイプライン
- 前処理: 文字正規化 (neologdn) / 改行の再構成（OCR由来の不自然な改行を抑制）
- 校正: LanguageTool (ja-JP) を使った「安全寄り」自動修正
- 付帯: 修正候補ログ(JSONL) / 差分HTML生成

"""

from __future__ import annotations

import argparse
import html
import json
import os
import re
import sys
import time
from dataclasses import dataclass
from pathlib import Path
from typing import List, Tuple, Dict, Iterable

import neologdn
import regex  # pip: regex
from tqdm import tqdm
from rapidfuzz.distance import Levenshtein

import language_tool_python


# ----------------------------
# 設定
# ----------------------------

@dataclass
class Config:
    langtool_lang: str = "ja-JP"

    # 改行整形の方針（安全寄り）
    # - 行末が句点等で終わらない場合は、次の行を連結しやすい（OCRの行折返し対策）
    join_if_line_not_end_with: str = r"[。．.!！\?？]$"

    # ページ区切り行（OCR出力でよくある例）
    keep_page_markers: bool = True
    page_marker_regex: str = r"^\s*(=+)\s*Page\s*\d+\s*(=+)\s*$"

    # LanguageTool適用を安全寄りにするルール
    max_auto_apply_per_sentence: int = 6  # 1文あたり自動適用し過ぎない
    max_repl_len: int = 12                # 置換候補が長すぎるものは自動適用しない
    max_edit_distance: int = 3            # 元語と候補の編集距離が大きいものは自動適用しない
    min_token_len_for_apply: int = 1

    # 置換対象がこれにマッチする場合はスキップ（URLやコードっぽいもの、数値列など）
    skip_pattern: re.Pattern = re.compile(
        r"("
        r"https?://\S+|"
        r"www\.\S+|"
        r"[A-Za-z0-9_\-]{20,}|"          # 長い英数字（ハッシュ等）
        r"[\d]{8,}|"                    # 長い数字列
        r"`[^`]+`|"                     # インラインコード
        r")"
    )

    # 文分割（雑に句点で切ると壊れるので、まず段落→簡易文分割）
    sentence_split_regex: re.Pattern = re.compile(r"(?<=[。！？\?！])\s*")


# ----------------------------
# 文字正規化
# ----------------------------

def normalize_text(s: str) -> str:
    # neologdn: 全半角・連続記号・濁点分離などを良い感じに正規化
    s = neologdn.normalize(s)
    # いくつか追加の軽い正規化
    s = s.replace("\u00A0", " ")  # NBSP
    s = re.sub(r"[ \t]+", " ", s)
    return s


# ----------------------------
# 改行整形（OCRの行折返し対策）
# ----------------------------

def fix_linebreaks(text: str, cfg: Config) -> str:
    """
    OCR出力でありがちな「文中で改行されている」問題を緩和する。
    方針:
    - 空行は段落区切りとして維持
    - ページマーカー行は維持（設定で）
    - それ以外の行は、行末が句点/終端記号で終わらない場合は次行と連結
    """
    lines = text.splitlines()
    out: List[str] = []

    def is_page_marker(line: str) -> bool:
        return cfg.keep_page_markers and re.match(cfg.page_marker_regex, line) is not None

    buffer = ""

    for line in lines:
        raw = line.rstrip("\n")
        stripped = raw.strip()

        if is_page_marker(raw):
            # flush buffer
            if buffer:
                out.append(buffer.strip())
                buffer = ""
            out.append(raw)
            continue

        if stripped == "":
            # 空行 = 段落区切り
            if buffer:
                out.append(buffer.strip())
                buffer = ""
            out.append("")  # keep blank line
            continue

        # 連結対象判定
        if not buffer:
            buffer = stripped
        else:
            # 前行末が終端記号で終わらない → スペースで連結
            if re.search(cfg.join_if_line_not_end_with, buffer) is None:
                # 日本語では半角スペースより「そのまま連結」が自然な場合も多いが、
                # OCR後は単語境界が曖昧なのでスペース挟みで安全寄り
                buffer = buffer + " " + stripped
            else:
                # 文末っぽいなら段落内でも改行を段落内改行として維持（ただしここは好み）
                buffer = buffer + "\n" + stripped

    if buffer:
        out.append(buffer.strip())

    # 空行が多すぎる場合の軽い圧縮
    result = "\n".join(out)
    result = re.sub(r"\n{3,}", "\n\n", result)
    return result


# ----------------------------
# 文・段落の分割
# ----------------------------

def split_into_paragraphs(text: str, cfg: Config) -> List[str]:
    # ページマーカーは段落として独立扱い
    paras: List[str] = []
    buf: List[str] = []

    for line in text.splitlines():
        if cfg.keep_page_markers and re.match(cfg.page_marker_regex, line):
            if buf:
                paras.append("\n".join(buf).strip())
                buf = []
            paras.append(line.strip())
            continue

        if line.strip() == "":
            if buf:
                paras.append("\n".join(buf).strip())
                buf = []
            paras.append("")  # paragraph separator
        else:
            buf.append(line)

    if buf:
        paras.append("\n".join(buf).strip())

    # 空段落連続を抑制
    cleaned: List[str] = []
    prev_blank = False
    for p in paras:
        if p == "":
            if not prev_blank:
                cleaned.append("")
            prev_blank = True
        else:
            cleaned.append(p)
            prev_blank = False
    return cleaned


def split_paragraph_into_sentences(p: str, cfg: Config) -> List[str]:
    if p == "" or (cfg.keep_page_markers and re.match(cfg.page_marker_regex, p)):
        return [p]
    # 改行は文分割の妨げになるのでスペースへ（段落内の改行を保持したい場合は調整）
    tmp = p.replace("\n", " ")
    tmp = re.sub(r"\s{2,}", " ", tmp).strip()
    if not tmp:
        return [""]
    sents = [s.strip() for s in cfg.sentence_split_regex.split(tmp) if s.strip()]
    return sents if sents else [tmp]


# ----------------------------
# LanguageTool: 安全寄り自動適用
# ----------------------------

def apply_matches_safely(text: str, matches, cfg: Config) -> Tuple[str, List[Dict]]:
    """
    LanguageToolのmatchesを受け取り、安全寄りに自動適用する。
    - URL/コード/長い数字列などはスキップ
    - replacementが1個のみ & 短い & 編集距離が小さいものを優先
    - オフセットがずれるので、後ろから適用
    """
    logs: List[Dict] = []

    # 1文あたりの過剰適用抑制（matchesは文単位で呼ぶので単純に制限）
    applied = 0

    # offsetを使うので後ろから
    for m in sorted(matches, key=lambda x: x.offset, reverse=True):
        if applied >= cfg.max_auto_apply_per_sentence:
            break

        start = m.offset

        # 互換対応
        length = getattr(m, "errorLength", None)
        if length is None:
            length = m.error_length
        end = start + length

        frag = text[start:end]

        # スキップ条件
        if not frag or len(frag) < cfg.min_token_len_for_apply:
            continue
        if cfg.skip_pattern.search(frag):
            continue

        # 候補が無いならスキップ
        repls = list(m.replacements) if m.replacements else []
        if len(repls) != 1:
            # 候補が複数ある場合は自動適用しない（安全寄り）
            logs.append({
                "action": "skip_multi_candidates",
                "offset": start,
                "length": m.errorLength,
                "from": frag,
                "candidates": repls[:10],
                "ruleId": getattr(m, "ruleId", None),
                "message": getattr(m, "message", None),
            })
            continue

        repl = repls[0]
        if not repl or len(repl) > cfg.max_repl_len:
            logs.append({
                "action": "skip_long_candidate",
                "offset": start,
                "length": m.errorLength,
                "from": frag,
                "candidate": repl,
                "ruleId": getattr(m, "ruleId", None),
                "message": getattr(m, "message", None),
            })
            continue

        # 編集距離が大きいと誤訂正リスクが高い
        dist = Levenshtein.distance(frag, repl)
        if dist > cfg.max_edit_distance:
            logs.append({
                "action": "skip_far_edit",
                "offset": start,
                "length": m.errorLength,
                "from": frag,
                "candidate": repl,
                "edit_distance": dist,
                "ruleId": getattr(m, "ruleId", None),
                "message": getattr(m, "message", None),
            })
            continue

        # 適用
        new_text = text[:start] + repl + text[end:]
        logs.append({
            "action": "apply",
            "offset": start,
            "length": m.errorLength,
            "from": frag,
            "to": repl,
            "edit_distance": dist,
            "ruleId": getattr(m, "ruleId", None),
            "message": getattr(m, "message", None),
        })
        text = new_text
        applied += 1

    return text, logs


def proofread_text_with_languagetool(clean_text: str, cfg: Config) -> Tuple[str, List[Dict]]:
    """
    段落→文単位でLanguageToolを適用し、校正済みテキストとログを返す
    """
    tool = language_tool_python.LanguageTool(cfg.langtool_lang)

    paras = split_into_paragraphs(clean_text, cfg)

    out_paras: List[str] = []
    all_logs: List[Dict] = []

    for p in tqdm(paras, desc="LanguageTool proofreading", unit="para"):
        if p == "":
            out_paras.append("")
            continue
        if cfg.keep_page_markers and re.match(cfg.page_marker_regex, p):
            out_paras.append(p)
            continue

        sents = split_paragraph_into_sentences(p, cfg)
        fixed_sents: List[str] = []

        for s in sents:
            if not s:
                continue
            # 文単位でチェック（大量テキストでも安定）
            matches = tool.check(s)
            new_s, logs = apply_matches_safely(s, matches, cfg)

            # 文脈を壊しやすい過剰スペースを軽く整形
            new_s = re.sub(r"\s{2,}", " ", new_s).strip()

            # ログに文情報を付与
            for lg in logs:
                lg["sentence"] = s
                lg["sentence_fixed"] = new_s
            all_logs.extend(logs)

            fixed_sents.append(new_s)

        # 文間はスペースで連結（段落内の自然さ優先）
        out_paras.append(" ".join(fixed_sents).strip())

    result = "\n".join(out_paras)
    result = re.sub(r"\n{3,}", "\n\n", result)
    return result, all_logs


# ----------------------------
# 差分HTML
# ----------------------------

def make_diff_html(before: str, after: str, title: str) -> str:
    """
    最低限の差分表示（行単位）をHTMLで出す
    ※ もっと強力な差分が欲しければ difflib.HtmlDiff でもOK
    """
    import difflib

    before_lines = before.splitlines()
    after_lines = after.splitlines()

    diff = difflib.HtmlDiff(tabsize=2, wrapcolumn=120)
    html_body = diff.make_file(before_lines, after_lines, fromdesc="before", todesc="after", context=True, numlines=3)
    # タイトルだけ差し替え
    html_body = html_body.replace("", f"{html.escape(title)}")
    return html_body


# ----------------------------
# 入出力
# ----------------------------

def read_text(path: Path) -> str:
    # まずUTF-8、失敗ならCP932を試す（OCR出力でありがち）
    data = path.read_bytes()
    for enc in ("utf-8", "utf-8-sig", "cp932"):
        try:
            return data.decode(enc)
        except UnicodeDecodeError:
            continue
    # 最後はreplaceで
    return data.decode("utf-8", errors="replace")


def write_text(path: Path, text: str) -> None:
    path.write_text(text, encoding="utf-8", newline="\n")


def write_jsonl(path: Path, items: List[Dict]) -> None:
    with path.open("w", encoding="utf-8", newline="\n") as f:
        for it in items:
            f.write(json.dumps(it, ensure_ascii=False) + "\n")


def iter_input_txt(input_path: Path) -> List[Path]:
    if input_path.is_file():
        return [input_path]
    return sorted([p for p in input_path.rglob("*.txt") if p.is_file()])


# ----------------------------
# main
# ----------------------------

def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("--input", required=True, help="入力 .txt ファイル、または .txt を含むフォルダ")
    parser.add_argument("--outdir", required=True, help="出力フォルダ")
    parser.add_argument("--no-proofread", action="store_true", help="前処理のみ（LanguageTool校正なし）")
    parser.add_argument("--keep-page-markers", action="store_true", help="Pageマーカー行を維持する")
    args = parser.parse_args()

    cfg = Config(keep_page_markers=bool(args.keep_page_markers))

    in_path = Path(args.input)
    outdir = Path(args.outdir)
    outdir.mkdir(parents=True, exist_ok=True)

    inputs = iter_input_txt(in_path)
    if not inputs:
        print("入力 .txt が見つかりませんでした。", file=sys.stderr)
        sys.exit(1)

    for p in inputs:
        base = p.stem

        raw = read_text(p)

        # 1) 正規化
        norm = normalize_text(raw)

        # 2) 改行整形（OCR折返し対策）
        clean = fix_linebreaks(norm, cfg)

        clean_path = outdir / f"{base}_clean.txt"
        write_text(clean_path, clean)

        if args.no_proofread:
            continue

        # 3) LanguageTool 校正
        proof, logs = proofread_text_with_languagetool(clean, cfg)

        proof_path = outdir / f"{base}_proofread.txt"
        write_text(proof_path, proof)

        # 4) ログ
        log_path = outdir / f"{base}_suggestions.jsonl"
        write_jsonl(log_path, logs)

        # 5) 差分HTML
        diff_html = make_diff_html(clean, proof, title=f"diff: {base}")
        diff_path = outdir / f"{base}_diff.html"
        write_text(diff_path, diff_html)

        print(f"[OK] {p.name}")
        print(f"  clean : {clean_path}")
        print(f"  proof : {proof_path}")
        print(f"  log   : {log_path}")
        print(f"  diff  : {diff_path}")

    print("完了しました。")


if __name__ == "__main__":
    main()

[

【2025年12月版】Windows で EasyOCR と Poppler を利用して PDF を OCR する手順

画像だけのPDFファイルの画像を日本語のOCRにする方法をまとめてみました。
過去のPDFだとテキストでなく、画像形式のものも多い。
PDF＞PNG化＞OCR＞テキスト化＞読み上げソフト
で、読み上げでPDFファイルを聞きたいとき用です。
テスト的なのでどのくらい使えるかわからないです。
（お試しなので、メモとして記録）

スマホの読み上げでもいいし、こういうので車でも聞けるのが便利

以下では、Windows 環境で EasyOCR を動作させ、PDF ファイルをテキスト化するまでの流れを、順序立てて説明します。
Python 仮想環境の構築、Poppler のインストール、PDF の画像化、OCR スクリプトの作成と実行までを一通り解説します。

1. 作業ディレクトリへ移動する

まず、PowerShell を起動し、作業用のディレクトリへ移動します。

cd C:\Users\ユーザー名\Documents

※「ユーザー名」の部分は、ご自身の Windows のユーザー名に置き換えてください。

2. 仮想環境（venv）を作成し、有効化する

EasyOCR 用に独立した Python 環境（仮想環境）を作成します。これにより、他の Python プロジェクトやシステム全体の環境を汚さずにライブラリを管理できます。

python -m venv easyocr-env
.\easyocr-env\Scripts\activate

プロンプトに (easyocr-env) が表示されれば、有効化されています。

3. PyTorch（CPU版）のインストール

EasyOCR が内部で使用する機械学習ライブラリである PyTorch をインストールします。GPU を使用しない場合は、CPU 版で問題ありません。

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

4. EasyOCR のインストール

続いて、OCR エンジン本体である EasyOCR をインストールします。

pip install easyocr

5. Poppler をインストールし、PATH を設定する

Python のライブラリ pdf2image を用いて PDF を画像に変換する際には、Poppler に含まれる pdfinfo.exe および pdftoppm.exe が必要となります。

5-1. Poppler のダウンロード

以下の URL から、Poppler for Windows の最新版 ZIP ファイルをダウンロードします。

https://github.com/oschwartz10612/poppler-windows/releases/

例：

poppler-24.02.0-0-x86_64.zip

5-2. Poppler の展開

ダウンロードした ZIP ファイルを、以下のように展開します。

C:\poppler

展開後、次のファイルが存在することを確認してください。

C:\poppler\bin\pdfinfo.exe
C:\poppler\bin\pdftoppm.exe

5-3. PATH へ Poppler の bin を追加する（PowerShell）

Poppler の bin フォルダへのパスを、ユーザー環境変数 PATH に追加します。PowerShell で以下を実行します。

$popplerPath = "C:\poppler\bin"
$currentPath = [System.Environment]::GetEnvironmentVariable("Path", "User")

if ($currentPath -notlike "*$popplerPath*") {
    $newPath = "$currentPath;$popplerPath"
    [System.Environment]::SetEnvironmentVariable("Path", $newPath, "User")
    Write-Host "Poppler path added to USER PATH."
} else {
    Write-Host "Poppler path is already in PATH."
}

その後、PowerShell を一度終了し、再度起動してください。
※Windowsの検索窓＞環境変数を検索してクリック＞ユーザーかシステムの「Path」選択で編集＞「C:\poppler\bin」を追加が簡単なときもあります。

5-4. Poppler が動作しているか確認する

PowerShell 上で、次のいずれかのコマンドを実行します。

pdfinfo -v

または

pdftoppm -h

いずれかが実行され、バージョン情報やヘルプが表示されれば、Poppler のインストールと PATH 設定は正常に完了しています。

6. pdf2image と Pillow のインストール

PDF を画像へ変換するために、pdf2image と Pillow をインストールします。

pip install pdf2image pillow

7. OCR 作業用のフォルダを作成する

OCR 対象の PDF ファイルやスクリプトを配置するためのフォルダを作成します。

C:\Users\ユーザー名\Documents\ocr-work

このディレクトリに、OCR 対象の PDF ファイル（例：sample.pdf）を保存します。

8. PDF から画像へ変換し、OCR を実行するスクリプトを作成する

先ほど作成した ocr-work フォルダ内に、pdf_ocr.py という名前のファイルを作成し、以下の内容で保存します。

from pdf2image import convert_from_path
from easyocr import Reader

# PDF のパス
pdf_path = r"C:\Users\ユーザー名\Documents\ocr-work\sample.pdf"

# OCR エンジンの準備
reader = Reader(['ja', 'en'], gpu=False)

# PDF を画像へ変換
pages = convert_from_path(pdf_path, dpi=300)

all_text = []

for i, page in enumerate(pages):
    img_path = f"page_{i+1}.png"
    page.save(img_path, "PNG")

    results = reader.readtext(img_path, detail=0)
    all_text.append("\n".join(results))

# テキストとして保存
with open("output.txt", "w", encoding="utf-8") as f:
    f.write("\n\n==== page break ====\n\n".join(all_text))

print("OCR 完了しました。output.txt を確認してください。")

上記の pdf_path 内のパスは、ご自身のユーザー名および PDF ファイル名に合わせて変更してください。

9. スクリプトの実行

PowerShell で以下のコマンドを実行します。

cd C:\Users\ユーザー名\Documents\ocr-work
..\easyocr-env\Scripts\activate
python pdf_ocr.py

同じフォルダ内に output.txt が生成され、OCR 結果のテキストが保存されます。

まとめ

本記事では、Windows 環境において EasyOCR を用いて PDF を OCR するために必要な設定と、スクリプト作成手順を解説しました。主な流れは以下の通りです。

Python 仮想環境の構築
PyTorch および EasyOCR のインストール
Poppler の導入と PATH 設定
pdf2image による PDF の画像化
Python スクリプトによる OCR 実行とテキスト保存

これらの手順を順に実施することで、Python を用いた OCR 処理環境が完成します。必要に応じて、大量の PDF を一括処理するバッチスクリプトや、OCR 精度を向上させるための前処理スクリプトを追加で作成することも可能です。


#!/usr/bin/env python
# -*- coding: utf-8 -*-

"""
===========================================
PDF OCR スクリプト（EasyOCR 版）
===========================================

【使い方】
    python ocr_pdf_easyocr.py input.pdf output_dir [start_page] [end_page]

【例 1】PDF 全ページを OCR する
    python ocr_pdf_easyocr.py C:\work\input.pdf C:\work\ocr_out

【例 2】PDF の 1〜300 ページだけ OCR する
    python ocr_pdf_easyocr.py C:\work\input.pdf C:\work\ocr_out 1 300

【出力】
    ・page_0001.txt のような各ページの OCR 結果
    ・all_pages_combined.txt（全ページ結合）

事前準備（必要なライブラリ）
    pip install easyocr pdf2image pillow

※ Poppler をインストール済みで PATH が通っていること
※ Windows の場合 poppler の bin フォルダを PATH に追加
-------------------------------------------
"""


# ==========================
# ======= 設定（定数） ======
# ==========================

POPPLER_PATH = None            # Poppler の bin フォルダ。PATH が通っていれば None のまま
LANG_LIST = ['ja', 'en']       # OCR 言語リスト
DPI = 300                      # PDF → 画像変換の解像度（高いほど精度↑）
PAGE_START = 1                 # デフォルト開始ページ（引数があれば上書き）
PAGE_END = None                # デフォルト終了ページ（None = 最後まで）


# ==========================
# ========= import ==========
# ==========================

import os
import sys
from pathlib import Path
import numpy as np
from pdf2image import convert_from_path
import easyocr


# ==========================
# ======= メイン処理 =======
# ==========================

def ocr_pdf(pdf_path: Path, output_dir: Path,
            first_page: int, last_page: int | None):

    output_dir.mkdir(parents=True, exist_ok=True)

    print(f"[INFO] EasyOCR Reader 初期化中 (LANG={LANG_LIST})...")
    reader = easyocr.Reader(LANG_LIST)

    if last_page is None:
        last_page = 9999  # 最大値（最後のページまで試す）

    combined_text_lines: list[str] = []

    page_num = first_page
    while page_num <= last_page:
        print(f"[INFO] ページ {page_num} を画像化…")

        try:
            images = convert_from_path(
                pdf_path,
                dpi=DPI,
                first_page=page_num,
                last_page=page_num,
                poppler_path=POPPLER_PATH
            )
        except Exception as e:
            print(f"[INFO] ページ {page_num} は最終ページの可能性: {e}")
            break

        if not images:
            print(f"[INFO] ページ {page_num} の画像取得なし → 終了")
            break

        image = images[0]

        print(f"[INFO] ページ {page_num} を OCR 中…")
        result = reader.readtext(np.array(image), detail=0)
        page_text = "\n".join(result)

        # ページごとに保存
        page_txt_path = output_dir / f"page_{page_num:04d}.txt"
        page_txt_path.write_text(page_text, encoding="utf-8")
        print(f"[INFO] → {page_txt_path} に保存")

        # 結合用
        combined_text_lines.append(f"===== Page {page_num} =====")
        combined_text_lines.append(page_text)
        combined_text_lines.append("")

        page_num += 1

    # 全ページ結合ファイル
    combined_txt_path = output_dir / "all_pages_combined.txt"
    combined_txt_path.write_text("\n".join(combined_text_lines), encoding="utf-8")
    print(f"[INFO] 全ページ結合テキスト → {combined_txt_path}")


# ==========================
# ========= エントリ =========
# ==========================

def main():
    if len(sys.argv) < 3:
        print("使い方: python ocr_pdf_easyocr.py input.pdf output_dir [start_page] [end_page]")
        sys.exit(1)

    pdf_path = Path(sys.argv[1])
    output_dir = Path(sys.argv[2])

    first_page = int(sys.argv[3]) if len(sys.argv) >= 4 else PAGE_START
    last_page  = int(sys.argv[4]) if len(sys.argv) >= 5 else PAGE_END

    if not pdf_path.exists():
        print(f"[ERROR] PDF が見つかりません: {pdf_path}")
        sys.exit(1)

    ocr_pdf(pdf_path, output_dir, first_page, last_page)


if __name__ == "__main__":
    main()

2025/10/08

2025/10/10まで　Xiaomi POCO F7 12G+256GBはアマゾンより楽天市場のほうがポイント分だけ安い、お得かもしれない

アマゾンの10/10までのセール
Xiaomi POCO F7 12GB+256GBが48,980円税込送料無料で安い。
POCOはシャオミにサブブランド。
コスパが良いことで知られている。

Xiaomi POCO X7 Pro 8GB+256GB：38,364円
Xiaomi POCO F7 12GB+256GB 48,980円

Xiaomi POCO F7 Pro 12GB+256GB 64,980円

■勝手なおすすめ

とりあえず使えるサブスマホほしい：X7 Pro（メモリ8GB＆Dimensity 8400-Ultra）
ちゃんと使えるメインなスマホ：F7 Pro（Snapdragon 8 Gen 3＆メモリ12GB）
AI使いたい＆コスパ良いスマホほしい：F7（メモリ12GB＆Snapdragon 8 Gen 4）
（※F7無印がF7Proよりも上のSnapdragon 8 Gen 4なので欲しくなる。）

AI使うときにメモリが8GBと12GBだと使えるモデルが違うのでかなり変わってくる。
AIを期待するならメモリは容量大きいものをおすすめ。

がっちり使いたいならXiaomi 15T Pro 12GB+256GB
カメラはライカSummilux 5倍望遠カメラ搭載、MediaTek Dimensity 9400+搭載。
FeliCa対応、IP68防水防塵のフル機能。

109,800円でも他メーカーよりも安い。

もっとすごいXiaomi 15 Ultra 16GB+512GBもある。

ライカのカメラがすごい。というか普通にコンデジのカメラ。
Snapdragon 8 Elite Mobile Platformがすごい。
やたらとアフターサービスがすごい。
値段以上の満足感ありそう。

楽天市場にもシャオミストアあり。
もちろんXiaomi POCO F7 12GB+256GBもセールに。

そちらの値段は54,980円。
高いの・・・と思いきや6,000円OFFクーポンあり。
54980-6000=48980円、ということは同じ？
でも楽天カードや楽天モバイルならポイントが７％に。
48980円＋3428ポイント

Xiaomiシリーズみて比較して方が良さそう。
これだけ幅広く展開しているがすごい。

Xiaomi POCO X7 Pro 8GB+256GB：38,364円
Xiaomi POCO F7 12GB+256GB 48,980円

Xiaomi POCO F7 Pro 12GB+256GB 64,980円
Xiaomi 15T Pro 12GB+256GB：109,800円
Xiaomi 15 Ultra 16GB+512GB：151,874円

Xiaomi POCO X7 Pro：MediaTek Dimensity 8400-Ultra
Xiaomi POCO F7 ：Snapdragon 8 Gen 4
Xiaomi POCO F7 Pro：Snapdragon 8 Gen 3
Xiaomi 15T Pro：MediaTek Dimensity 9400+
Xiaomi 15 Ultra：Snapdragon 8 Elite Mobile Platform

2025/09/13

markdownとかテキストデータの同期 QOwnNotes＋ownCloud obsidianの代替としても

当たり前でざっくりな話しですが「テキストデータで複数デバイスのファイル同期な使いやすいな」です。

（もちろんObsidianが一番使いやすいはず。使ってないけど。）

QOwnNotes＋ownCloud 10( PHP) ＋ ownCloud DesktopApp windows版で使っています。
PCからはQOwnNotesで、スマホはアプリやブラウザからで。

編集は主にPCから。スマホは見るだけや他スタッフとの情報共有で。
dropboxなども便利ですが、シンプルさだと自前クラウドがとても便利。

あれこれの機能は無いければ、必要最低限なところに使っていて落ち着く。

-------関係ない話し-----

すごく古い話しですが、PHPはマンモス本で学んだ懐かしい思い出が・・・。
PHP3とか4のときに。
更新はあったけど未だに便利に使えるのがすごい。

PHP最初の開発者のRasmusの名言が物語っているのかも。
プログラミングが嫌いだから誰かの作ったコードを再利用できる便利なツールを作った、みたいな。
https://en.wikiquote.org/wiki/Rasmus_Lerdorf

学ぶなら独習PHPがいいと思いますが、他言語を知っているならウェブの情報だけでもできそう。
（ベタな話しですが、本屋で「PHPの本を」と聞くと松下幸之助のPHPを教えてくれる。普通のPHPはこっち。）

・PHP PHP: Hypertext Preprocessor
・PHPとは、Peace and Happiness through Prosperity
--------------

QOwnNotes

https://github.com/pbek/QOwnNotes

ownCloud PHP版

https://owncloud.com/download-server/

conoha WINGで運用

※OwnClowdはPHP7系での動作なので注意を。

下記のような月額500円以下のサーバーを使って試してみるのもいいかも。

WebARENA Indigo®

https://web.arena.ne.jp/indigo/

限界があるけど、SSHが使えると共有サーバーでも使用範囲が広がるかも。

バリューサーバー

https://www.value-server.com/spec/

リトルサーバー

https://lsv.jp/

もちろん、さくら、X-server、ロリポップもSSH使えます。

[

2025/08/22

Nexcloud31のインストール Conoha Wing 共有サーバーでの自前クラウド構築

共有サーバーなので推奨ではありません。

Nextcloudをconoha Wingにインストールしてテスト動作

Nextcloud 31.0.7です。
Nextcloud https://nextcloud.com/

ウェブアクセスOK
iPhoneアプリからのアクセスもOK
共有サーバーなのでテスト的に。
本格運用は専用サーバーやVPSで。
OwncloudもNextcloudもPHP動作なので共有サーバーでも動く。

こういうの使わなくてもGoogleドライブもOneDriveもある。
Dropboxもある。
DS124/GやDS225+ /GでSynology Drive使えばDropboxみたいに使える。
ファイル共有というよりは、アクセス制限の軽い掲示板＋αなら使えるのかもと思う。

DS225+ /G https://amzn.to/3VaAXw3
5.7万くらい

DS124/G https://amzn.to/3HJN9AY
2.5万くらい
※Synlogyだとlinux動いているのでNextcloudもインストールできる。

DropboxPlus 3年版 2TB https://amzn.to/4fSZeAE
4.3万くらい ※5000ポイントあるので実質3.8万くらい

※価格は2025/08/22時点参考

Nextcloud インストール手順とトラブルシューティング

1. ZIPファイルのダウンロードと展開

Nextcloud公式インストールガイド

最新版のNextcloud ZIPファイル

curl -L https://download.nextcloud.com/server/releases/latest.zip -o nextcloud.zip
unzip nextcloud.zip -d /var/www/html/cloud

2. ファイルの整理とパーミッション設定

展開された`nextcloud`フォルダ内のすべてのファイルを`/var/www/html/cloud`ディレクトリに移動します。また、不要なファイルやフォルダを削除し、適切なパーミッションを設定します。

mv nextcloud/* cloud
mv nextcloud/.htaccess cloud
mv nextcloud/.reuse cloud
mv nextcloud/.user.ini cloud
rm -rf nextcloud nextcloud-10.0.10.zip

3. ファイルの所有者とグループ設定

`apache`ユーザーと`abc`グループに、`/var/www/html/cloud`ディレクトリ内のすべてのファイルとディレクトリの所有権を変更し、グループ書き込み権限を付与します。

chown -R apache:abc /var/www/html/cloud
chmod -R g+w /var/www/html/cloud

ここでインストールしたURLにアクセス
DBなどを設定して、ログインして正常動作しているのか確認する。
※DBアドレスは「localhost」がNGなので、IPアドレスで指定
※それ以外の設定はそのままでいけるはず。

使えるならここまででOK。
これ以降はnextcloudの管理者設定＞概要のメッセージを見て必要に応じて対応する

4. リバースプロキシ設定

.htaccess に以下を追加（Nextcloud設置ディレクトリ直下）

一番下に追加

<IfModule mod_headers.c>
  RequestHeader set X-Forwarded-Proto "https"
  RequestHeader set X-Forwarded-Ssl "on"
</IfModule>

Nextcloud 側設定（config.php）

一番下に追加

'trusted_proxies' => ['127.0.0.1'], // WING 環境の localhost プロキシを信頼
'forwarded_for_headers' => ['HTTP_X_FORWARDED_FOR'],

5. PHP メモリ制限の設定

※これはphp.iniでの設定かも

.htaccess 一番下にに以下を追加

php_value memory_limit 512M
php_value upload_max_filesize 200M
php_value post_max_size 200M

6. HTTPSアクセス対応

iphoneアプリからアクセスできず。下記でOKになった。

◯安全ではないHTTP経由でのサイトへのアクセス。代わりにHTTPSを要求するようにサーバーを設定することを強くお勧めします。そうしないと「クリップボードにコピー」や「service workers」のような重要なウェブ機能が動作しません！詳細については、ドキュメント↗を参照してください。

下記でiphoneアプリからOKになった。

Nextcloud 側の設定

config/config.php に追加：
'overwrite.cli.url' => 'https://yourdomain.com/nextcloud',
'overwriteprotocol' => 'https',

7. ブルートフォース対策制限の対応

◯あなたの接続アドレスが"1.2.3.4"として識別され、現在ブルートフォース対策制限が適用されているため、さまざまなリクエストのパフォーマンスが低下しています。接続アドレスがあなたのアドレスでない場合、プロキシが正しく設定されていない可能性があります。詳細については、ドキュメント↗を参照してください。

config.phpに追加

'trusted_proxies' => [
  '111.222.333.444',          // 表示されているプロキシIP
  '111.222.0.0/16'          // 共有環境でIPが変動するならCIDRで広めに（安全性とトレードオフ）
],
'forwarded_for_headers' => ['HTTP_X_FORWARDED_FOR','HTTP_X_REAL_IP'],

※'forwarded_for_headers' => ['HTTP_X_FORWARDED_FOR']をリバースプロキシでやっているなら重複するので調整する

Search

ラベル

2026/02/23

Groq Cloudは無料で使える？実際にAPIを試してわかった無料枠と制限まとめ

Groq Cloudとは

無料枠（Free Tier）の内容

リクエスト制限

1日のリクエスト上限

トークン制限

Whisper（音声API）

実際に使ってみた感想

テキスト処理

Whisper文字起こし

注意点

無料枠は実用レベルか

まとめ

2026/01/25

2025/12/16

2025/12/12

【2025年12月版】Windows で EasyOCR と Poppler を利用して PDF を OCR する手順

1. 作業ディレクトリへ移動する

2. 仮想環境（venv）を作成し、有効化する

3. PyTorch（CPU版）のインストール

4. EasyOCR のインストール

5. Poppler をインストールし、PATH を設定する

5-1. Poppler のダウンロード

5-2. Poppler の展開

5-3. PATH へ Poppler の bin を追加する（PowerShell）

5-4. Poppler が動作しているか確認する

6. pdf2image と Pillow のインストール

7. OCR 作業用のフォルダを作成する

8. PDF から画像へ変換し、OCR を実行するスクリプトを作成する

9. スクリプトの実行

まとめ

2025/10/08

2025/09/13

2025/08/22

Nextcloud インストール手順とトラブルシューティング

1. ZIPファイルのダウンロードと展開

2. ファイルの整理とパーミッション設定

3. ファイルの所有者とグループ設定

4. リバースプロキシ設定

5. PHP メモリ制限の設定

6. HTTPSアクセス対応

7. ブルートフォース対策制限の対応