Codex引き継ぎ: 日本語特化 構造化OCR（rtx-worker MCPツール）

前提: decisions/0008 決定4（OCR序列）、0012（OA優先だが複写物・非公開資料の テキスト化は別途必要）。実行は rtx-worker（RTX3080）。

目的

Marker/surya（レイアウト）＋NDLOCR（日本語文字認識）を合体し、PDF/画像→ 構造化Markdownを高精度で出す。rtx-worker上のサービスとして動かし、oa-mcpの rtx_run／新規MCPツール rtx_ocr から叩けるようにする。

設計（2段構成）

入力: PDF or 画像dir。出力: 構造化Markdown＋ブロックJSON（座標・種別・テキスト）。

  1. 前処理: pdftoppmでページ画像化（複写PDFはスキャン画像なのでこの経路）。
  2. 速い経路（既定、現代印刷向け）: marker単体（surya OCR含む）でMarkdown化。 DSM-5-TR・現代論文はこれで十分な想定。
  3. 高精度経路（--ndl、古い/縦書き/劣化 向け）:
    • surya の layout+reading-order でブロック検出（見出し/本文/表/図）
    • 各ブロック画像をcrop → NDLOCR-Lite で日本語認識（縦書き・旧字に強い）
    • surya構造 + NDLOCRテキストで構造化Markdown再構成
    • Markerは公式のOCR差し替え口が無いため、surya出力を直接使う自前グルーで組む
  4. 後段: 出力を R2 sources/<citekey>/fulltext.txt（複写物は copies/規約に留意、 全文を公開物・リポジトリに置かない）。

rtx-worker実装

  • compose/ocr-structured.yml（新規）: CUDA torch + marker + surya + NDLOCR-Lite。 モデルDLは初回のみ、以後キャッシュ（状態レス原則: キャッシュは使い捨て、 データ正典はR2）。VRAM 10GBに収まる構成にする（surya/marker/NDLは軽量）。
  • MCPツール rtx_ocr(pdf_r2_path, mode="fast|ndl", citekey)（oa-mcpに追加）: 内部で rtx_wake → rtx_run で ocr-structured サービスを起動しOCR→R2出力。

検証

  • DSM-5-TR複写（現代印刷）でfast経路、NDLOCRサンプル（旧字・縦書き）でndl経路を それぞれ通し、構造化Markdownの見出し・表・読み順を目視確認。
  • 精度比較（fast vs ndl）を1資料で取り、どちらを既定にするか判断材料に。

注意

  • 複写物（DSM・判タ）は非公開。OCRテキスト・中間画像を公開repoに置かない。
  • 大きいモデルDL・処理はrtx-worker側（/tmpでなくホーム/作業dir。vps sandboxの クォータ問題を避ける）。
  • パイプライン必須経路に入れない（rtx-workerはオンデマンド）。