T18_ChatGPT vs GeminiーPDF読取り試行錯誤10時間の末に掴んだ答え

2025年1月11日 17:28

10時間かけて掴んだ答え。

PDFや画像の文字起こしに、何度も挑戦し、失敗し、またやり直した。
うまくいったかと思えば、数式は崩れる。表はぐちゃぐちゃになる。

「もう限界か…」と思ったとき、ChatGPTとGeminiの違いがはっきり見えた。

ChatGPTは数式に強い。Geminiは文章と表に強い。

その差を理解した瞬間、作業が一気にラクになった。
今回は、私が行った実験と、それぞれのAIの得意分野をわかりやすくお届けします。

私はChatGPTの有料版を使用していますが、今回の内容は無料版でもできます。GeminiはGoogle AI Studio で利用すれば最新モデルを無料で使用できます。

背景：試行錯誤の日々

当初、ChatGPTだけでPDFや画像を読み取ろうと奮闘していました。なぜなら、ChatGPTが大好きだからです✨
その中で行った工夫がこちら

指示文を工夫:
「画像を手動で読み取って文字起こしをして。」など、読取りがうまくいくようプロンプトを工夫。「手動で」や「GPT-4 Visionで」としないとコードインタープリターで実行して日本語が読み取られない可能性あり。
文脈を設定:
「数式を優先」「表を正確に」など、目的を明確化。
画像を分割:
一気に全体を読み取ると、文字起こしの精度が悪い場合、スクショを小さく切り分けて、部分的に読み取らせる。
数式専用GPT:
数式の解析に特化。

文章読取り専用GPT:
毎回プロンプトを書くのが面倒なので、読み取り精度が良くなるまで内部プロンプトを工夫

色々試しましたが、まずまずの読取りはできても本当に満足いくものはできずに上記の２つの完成をもって中断しました。GPTsの作成には試行錯誤を繰り返しトータル10時間くらいは使いました。

それから約2ヶ月後のつい先日、Voicy の放送で「Gemini 2.0 Flash Experimental」による読取り精度が完璧に近かったという話を聴きました。

PDFデータ、あるいは画像データしかない文章、表、数式をWord、Excelへ変換できたらとても便利ですよね。

「効率化が命」の私は早速、試しました。
これまでの知見を活かして、ChatGPTとGeminiの違いを徹底比較開始です。

実験の目的

私のミッションは、２つのAIがどんな読取りに強いのかを見極めること！PDFや画像を簡単に精度良く扱える方法を探りました。

ChatGPT vs Gemini：それぞれの特徴

ChatGPTの強みと弱点

得意分野:
数式の読み取りがバッチリ！LaTex形式を扱えるため、見た目もきれいにデータ化できる。
弱点:
長い文章を一気に処理すると、文意が崩れることも。文章の意味はなんとなくあっているけど、全然違う表現になってるじゃん・・・が多い。ただ最近少し改善傾向？

Geminiの強みと弱点

得意分野:
一般的な文章や表の読み取りはお手のもの。大量データもスイスイ処理！あまり誤読取りがない。スキャンしたPDFデータだと少し文章が変わることはあるが、最初からPDFデータとして作成されたものの読取りは完璧かもしれない。
弱点:
数式の読み取りはできるけど、読み取った結果がわかりずらい。LaTex形式が使えない？ため。