OCR ライセンスを確認するとき、リポジトリのバッジを1枚見て終わりにすると踏むことがある。Indra OCR はその典型で、コードと重みでライセンスが分かれている。

2026-11-04 に最新の 1.1.2 を導入し、モデルを取得して日本語の画像を読ませた。初版(10月14日)は 0.3.1 時点の記録で、その後に対応範囲が大きく変わったため、現行版の挙動に合わせて書き直している。

この記事は「LLM」クラスタの1本です。モデル全般の見取り図は LLMとは?仕組み・主要モデル比較・ローカル実行・量子化を一気にまとめる2026年版 にまとめています。

TWO LICENSESコードと重み

同じ Indra OCR でもコードと重みでライセンスが違う

コード(datalab-to/indra)

Apache-2.0

  • LICENSE の実体先頭が Apache License 2.0
  • pyproject.tomllicense = "Apache-2.0"
  • これだけでは動かない文字を読むには重みが別に要る

モデル重み(datalab-to/indra-ocr)

改変 OpenRAIL-M

  • 無償研究・個人利用・資金/売上 $20M 未満のスタートアップ
  • 禁止提供元 Datalab の API と競合する利用
  • 外すには価格ページから別途契約
出典: datalab-to/indra README と Hugging Face の LICENSE(2026-11-04 確認)

30秒でわかる

  • ・コードは Apache-2.0、モデル重みは改変 OpenRAIL-M。バッジも README も分けて書いている
  • ・重みは研究・個人・資金/売上2,000万ドル未満のスタートアップは無償。ただし提供元APIと競合する利用は不可
  • ・PyPI の indra-ocr は 1.1.2。1.1.0 で日本語のかな・漢字、手書き、回転ページが対象に入った
  • ・初回実行で Hugging Face からモデル(実測73MB)を取得する。遮断環境は事前配置が必要

OCR ライセンスはコードと重みで分かれる

リポジトリの冒頭にはバッジが2枚並ぶ。Code License: Apache_2.0 と Model License: OpenRAIL-M で、後者のリンク先は OSI でも Hugging Face でもなく Datalab の価格ページだ。README の記述はこうなっている。

This code is Apache 2.0, and our model weights use a modified OpenRAIL-M license (free for research, personal use, and startups under $20M funding/revenue, cannot be used competitively with our API).

対象 ライセンス 条件
コード(datalab-to/indra) Apache-2.0 pyproject.toml の license と LICENSE の実体が一致
モデル重み(datalab-to/indra-ocr) 改変 OpenRAIL-M 研究・個人・資金/売上 $20M 未満のスタートアップは無償
制限を外す 別途契約 価格ページへ誘導

「OSSのOCRを入れた」では済まない。 コードを読む・改変するだけなら Apache-2.0 で完結する。しかし文字を読ませるには重みが要り、重みには競合利用の禁止という OSI の定義に収まらない条項が付く。リポジトリ直下の LICENSE は純粋な Apache-2.0 で、重みの条文は Hugging Face 上の別ファイルにある。LICENSE を読むだけでは気づけない。

# ライセンスの実体を分けて確認する
git clone --depth 1 https://github.com/datalab-to/indra
head -4 indra/LICENSE                      # → Apache License Version 2.0
grep -n "Model License\|OpenRAIL" indra/README.md

重み側の条文(Hugging Face の LICENSE)は先頭が「AI PUBS OPEN RAIL-M LICENSE (MODIFIED)」で始まることまで確認した。無償条件と競合利用の範囲は、条文を各自で読んで自社の用途に当てる必要がある。

導入して日本語の画像を読ませた実測

導入は pip install だけで通り、依存に PyTorch は無い。初回実行でモデルを取りに行き、12ファイル・73MBがキャッシュに入った(README の公称は約76MB)。

python3 -m venv .venv && .venv/bin/pip install indra-ocr
.venv/bin/indra-ocr jp.png --timings    # 初回はモデルを取得する

jp.png には日本語2行と英数字1行(「請求書 2026年11月4日」「ありがとうございます。お支払い期限は月末です。」「Invoice No. 1234 Total 5,600 yen」)を描いた。

WHAT WE MEASURED実測した3つ

日本語3行の画像は約0.2秒で読めたが、末尾2文字が落ちた

約180ms

1ページの処理時間

160・179・196ms の3回。2 vCPU・auto

73MB

取得したモデル12ファイル

README の公称は約76MB

0バイト

失敗時の標準出力

終了コード1・原因は標準エラーに1行

出典: 当サイト実測(2026-11-04・indra-ocr 1.1.2・AMD EPYC 7763 の 2 vCPU)。合成画像1枚で、精度の評価ではない
項目 結果
処理時間(3回) 160ms・179ms・196ms(2 vCPU・AMD EPYC 7763・auto)
1・3行目 入力どおりに読めた
2行目 「…お支払い期限は月末で」まで。末尾の「す。」が落ちた
JSON の source ocr(note は order=model)

落ちた部分は、JSON 出力に空文字の行(信頼度 0.24)として別の箱で検出されていた。かなを含む日本語が OCR 経路で読めることと、行末の欠けがありうることの2点が分かる。合成画像1枚なので精度の評価ではなく、実文書での欠落率は未検証だ。

遮断環境ではどこで止まるか

空のフォルダを --model-dir に渡して実行した。

mkdir empty && .venv/bin/indra-ocr jp.png --model-dir empty > out.md 2> err.txt; echo "exit=$?"
# exit=1 / out.md は0バイト / err.txt: the model folder empty lacks det.onnx, rec.onnx, meta.json

終了コードは1、標準出力は0バイト、原因は標準エラーに1行。 indra-ocr paper.pdf > out.md のようにパイプで受ける使い方でも、失敗が markdown に混ざらない。必要な3ファイルを名指しするので、オフライン環境に何を持ち込めばよいかも分かる。CHANGELOG 0.3.1 の「1行のメッセージで終了コード1」という記述とも一致した。

日本語で使う前に知っておく1.1の変更点

初版の記事は、0.3.1 の README にあった「かなは OCR の対象外」を根拠に「紙のスキャンを日本語で流す用途には向かない」と書いた。この前提は 1.1.0 で変わった。

0.3 TO 1.11.1.0 で変わった点

かな・手書き・回転は 1.1.0 で対応範囲に入った

0.3 系

1.1.x

0.3 系: かなはスキャンの OCR 対象外(テキスト層のみ)

1.1.x: 中国語・日本語・韓国語の認識器を追加

0.3 系: 手書きテスト 8.3%

1.1.x: 手書きテスト 25.2%

0.3 系: 回転ページのテスト 25.3%

1.1.x: 50.3%(45度までの傾きを補正)

0.3 系: モデル約18MB

1.1.x: モデル約76MB(言語モデル46MBを含む)

出典: indra CHANGELOG 1.1.0・README(2026-11-04)。OmniParseBench の開発元ハーネスの値で、当サイトでは再現していない

README の現行の言語表では、rec_cjk.onnx が中国語(簡体・繁体)・日本語(かな・漢字)・韓国語を担当する。縦書きの中国語・日本語ページは90度回して読み、page.vertical が立つ。ただし数字は開発元の自己申告だ。

入力 現行版での扱い 注意
デジタルPDF テキスト層を使い、欠けた部分だけOCR 75語族1,125ページで文字の98%以上を保持(README・未検証)
日本語のスキャン・画像 CJK認識器で読む OmniParseBench の「日本語かな」は 57.9(19テスト)
手書き 読むが精度は低い 手書きテスト 25.2%、README 自身が「うまくは読めない」と記載
劣化したスキャン 読みにくい 劣化スキャンテスト 29.5%
複雑な表 行列がずれうる 結合セル・罫線なしなど

かなの 57.9 は、読めるが取りこぼしもある水準と読むのが妥当で、先の行末欠けとも整合する。日本語の業務文書で使うなら、--format json の source と conf を見てどのページが OCR 経路か、どの行の信頼度が低いかを機械的に拾える。デジタルPDFが中心なら --mode text に寄せる選択もある(本記事では実PDFでは未検証)。

速度と精度:READMEの公称値と実測の境界

README の主張 本記事の扱い
32コアで毎秒約44ページ(Tesseract の15倍、PP-OCR 文字モデルの10倍) 未検証(当サイトは2 vCPU)
4コアで1ページ約212ms(auto の中央値) 近い値を実測(160〜196ms・合成画像1枚)
OmniParseBench 66.7(--math で 71.4、PP-StructureV3 は 58.4) 未検証
認識器 rec.onnx 約1.25Mパラメータ、既定モデル全体で7.3M 未検証(rec.onnx のサイズは5.0MB)

READMEは、同一マシン・同一ページでの比較条件、中央値のばらつき(同じコードで約15%)、PP-StructureV3 の19ページ除外まで書いている。再現手順(bench/opb_indra.py)も公開されているため、数字は鵜呑みにせず自分の文書で測るのが前提になる。

Chandra との役割分担と、同じ構造の別製品

README は自社のマネージドプラットフォームへの導線も隠していない。

Indra OCR is built for speed on CPUs. When you need the highest accuracy, on handwriting, math, complex tables and degraded scans, our managed platform uses Chandra, …

速度の Indra、精度の Chandra という住み分けだ。ローカルで高速に捌く用途は開放し、精度が要る領域と、それを API として売る行為は囲っている。利用者は「自社の用途がどちらに当たるか」を先に決めればよい。

研究・個人・小規模

資金/売上 20M ドル以上

OCR を API として売る

印刷物・デジタルPDF

手書き・数式・複雑な表

Indra OCR を使いたい

何に使うか

重みは無償の範囲

別途契約が必要

競合利用の禁止に当たる

精度は足りるか

CPU でローカル実行

Chandra 側へ

用途 向く側
きれいな印刷物・デジタルPDFを CPU で大量に処理 Indra OCR(重みの無償条件に収まる場合)
手書き・数式・複雑な表・劣化スキャンで精度を優先 Chandra(マネージド)
OCR 自体を API として他社へ提供 重みの競合利用の禁止に当たる。別途契約が必要

同じ Datalab で、同じ「コードと重みの分離」は当サイトで既に確認している。

・liftとは|PDF 構造化抽出の9BモデルをGitHubのApache-2.0表示だけで判断してはいけない — 同じ datalab-to の構造化抽出モデルで、同型の結論
・Unlimited-OCR解説|AI OCRで数十ページを一括処理するBaiduのOSSとKVキャッシュ固定の仕組み — 長文書を一括で扱う方向。Indra は1ページの速度を取りにいく
・docjevとは|PDFをJevで分類・分割するOSSをOCRから実測し、40文書ベンチの精度も読む — OCR の後段(分類・分割)

Datalab のリポジトリは、最初に「重みのライセンスはどこに書かれているか」を探すのが正しい手順になる。Indra OCR では README の # License 節と、価格ページへ向いたバッジがその場所だった。

導入前の確認順とOCR ライセンスの当て方

ライセンスを分けて読む

20M ドルの閾値を当てる

ネットワークと
モデル配置を確認

入力の質で経路を分ける

自分の文書で測る

・ライセンスを分けて読む。コードの Apache-2.0 だけで判断せず、自社の用途が「提供元APIとの競合」に当たらないかを先に決める
・資金/売上の閾値($20M)を自社に当てる。超えていれば無償条件から外れる
・ネットワークを確認する。初回実行で Hugging Face へ出る。出られない環境なら det.onnx rec.onnx meta.json など必要なモデルを先に配置する
・入力の質で経路を分ける。手書き・数式・複雑な表・劣化スキャンは README 自身が Chandra 側だと言っている
・性能と日本語の精度は自分の文書で測る。公称値は提供元の数字で、当サイトは再現していない

未検証で残したもの

・OCR の精度の全体像(実文書での日本語の欠落率、手書き、表)
・毎秒44ページなどの速度の公称値、--math、indra-ocr-viewer
・デジタルPDFのテキスト層経由の挙動と --mode text での日本語
・重み側ライセンスの全文の解釈(冒頭の見出しの確認まで)
・star 数

参照ソース

・datalab-to/indra(GitHub) — 2026-11-04 に clone した README・CHANGELOG・LICENSE。コード側ライセンスを読んだ場所
・indra-ocr(PyPI) — 1.1.2 を導入した配布元
・datalab-to/indra-ocr(Hugging Face) — モデル重みと、改変 OpenRAIL-M の LICENSE がある場所