文書変換ツールdoclingが、PDF内の画像を直接取り出す機能とAppleシリコン向けの音声認識エンジンを追加した。文書変換を自動化する開発者は新たな処理方式を選べるほか、コマンドラインで無視されていた不正なモデル設定もエラーや警告で確認できるようになる。

1. モデルの指定だけで処理経路を選択する

2026年11月8日に公開された今回のバージョンは、視覚言語モデルを指定すると対応する処理経路を自動選択する。視覚言語モデルはページ画像を読み、テキストに変換するために使う。従来は処理経路を別途選ばなければモデル指定が無視されたが、今後はモデルに合わない経路を同時に指定するとエラーになる。オプションを何も指定しなければ標準経路を維持する。

複数の形式が混在するフォルダーでは、2種類のモデルを指定すれば処理経路を別途選ぶ必要はない。この場合、PDFと画像には視覚言語モデルを、音声には音声モデルを使う。音声モデルをPDFに指定すると従来の変換を進めながら警告し、音声専用経路にPDFだけを渡すと許可された形式ではないというエラーを出す。

新ルールは不正な組み合わせを早期に明らかにする一方、既存の自動化が期待していた暗黙の動作を変える可能性がある。コマンドラインの自動化では、パイプラインと入力形式の組み合わせを確認する必要がある。

2. PDFの図項目では内蔵画像を選んで使う

標準のPDF変換では通常、ページを画像化してから図の領域を切り出す。新しいオプション機能を有効にすると、領域内に安全に抽出できる画像が1つある場合、内蔵画像を直接取り出す。元のピクセルサイズを維持するため、ページのレンダリング、つまりページの画像化と切り出しによる画質低下を避けられる。変換を実際に行う構成要素であるpypdfium2とdocling_parseバックエンドが対応する。

画像と図の領域が互いに80%以上重なっているかを確認して対応付ける。作者はこの基準を任意に決め、テストで良好に動作したと説明した。文字やベクター図形、線と面で表現した図などが混在し、直接抽出しにくい領域は従来どおり切り出す。変更対象は図項目である。

3. Appleシリコンでmlx-audioを音声認識に使う

新しいmlx-audioバックエンドは、AppleシリコンでTorchなしに音声認識を実行する。一部の対応モデルは、機器とインストール済みパッケージ、変換済みモデルの提供状況、デバイス設定に応じてこのエンジンを自動選択する。対象モデルは自動切り替えの条件を満たさない場合、Transformersを使う。従来のエンジンに固定する事前設定であるプリセットも追加された。

Granite音声モデルは時間情報を直接返さないため、今後は両エンジンとも録音を無音の切れ目で約30秒ずつ、20~40秒の区間に分割し、区間ごとの時刻を付ける。Transformersで生成上限が録音全体に適用され、テキストが途切れていた問題も修正した。

変更提案によると、Granite Speech 5.0 2Bは従来の生成トークン上限256では、3分の録音の約3,300文字のうち1,227文字しか残さなくても成功と報告していた。新しいデフォルトの上限は1024に引き上げられ、区間ごとに適用される。長い録音を処理する際の出力漏れを減らすための修正だ。

選択肢が広がる代わりに、docling[asr]はインストール容量が増え、AppleシリコンではmacOS 14以上を必要とする。形式のサポートだけが必要な場合、docling[audio]はmacOS 13にもインストールできる。

コマンドdocling modelsは、モデルごとのエンジン一覧と、現在の機器で自動選択されるエンジンを表示する。新しいエンジンを導入する前の実行経路の確認に使える。

4. OCR専用モデルを視覚言語経路に追加した

新しいプリセットは、英語・中国語文書の文字を認識する13億パラメーターのモデルMiniCPM-OCR 1.0を接続する。単語や行の位置座標ではなく、ページ全体のテキストとMarkdownを返すため、視覚言語モデルの経路に統合した。

モデルカードから取り入れた繰り返し防止設定も含む。変更提案では、この設定がないと文字が密集したテストページで同じテキストが繰り返されたが、適用後は同じ2ページのPDFが正常に完了したと説明している。ローカル実行にはTransformers 5.21.0以上が必要だ。

Pythonでは次のようにプリセットからオプションを作り、コンバーターに接続する。

from docling.datamodel.pipeline_options import VlmConvertOptions, VlmPipelineOptions

pipeline_options = VlmPipelineOptions(
    vlm_options=VlmConvertOptions.from_preset("minicpm_ocr"),
)

5. 文書パーサーの変換エラーも修正した

Markdownは、セミコロンで終わる有効な文字参照、つまり記号を文字に変換する表記だけを解釈する。バックスラッシュで特殊文字を表した文字列も、周囲の文章と1つの項目として維持する。

学術文書形式のJATSでは、画像として掲載された表とその説明を保持し、通常の表の脚注も関連付ける。

HTMLは図の説明を対応する図に付け、1つのブロック内で分かれたコードタグを結合する。文書構造を保持し、説明やコードが分離していた問題を軽減する。

今回のバージョンの実用的な価値は、モデル選択を実際の処理経路に反映し、元の画像と長い録音のテキストをより完全に保持する点にある。