Gemini OCR MCP

Gemini OCR MCP サーバー

このプロジェクトは、Google Gemini API の機能を活用し、FastMCP サーバーを通じてシンプルながら強力な OCR（光学文字認識）サービスを提供します。ファイルパスまたは Base64 エンコード文字列を指定することで、画像からテキストを抽出できます。

目的

次の画像からテキストを抽出します：

そして、fbVk のようなプレーンテキストに変換します

機能

• ファイルベースの OCR： ローカルシステム上の画像ファイルから直接テキストを抽出します。
• Base64 OCR： Base64 エンコードされた画像文字列からテキストを抽出します。
• 使いやすさ： MCP サーバー内のシンプルなツールとして OCR 機能を提供します。
• Gemini を活用： Google の高度な Gemini モデルを利用し、高精度な文字認識を実現します。

前提条件

• Python 3.8 以降
• Google Gemini API キー。Google AI Studio から取得できます。

セットアップとインストール

1. リポジトリをクローンします：

   git clone https://github.com/WindoC/gemini-ocr-mcp
   cd gemini-ocr-mcp
   

2. 仮想環境を作成して有効化します：

   # 必要に応じて uv を単独でインストールします
   
   ## macOS および Linux の場合。
   curl -LsSf https://astral.sh/uv/install.sh | sh
   
   ## Windows の場合。
   powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
   

3. 必要な依存関係をインストールします：

   uv sync
   

MCP 設定例

親となる MCP アプリケーションのサーバーとして実行する場合は、メインの MCP config.json で設定できます。

Windows の例：

{
  "mcpServers": {
    "gemini-ocr-mcp": {
      "command": "uv",
      "args": [
        "--directory",
        "x:\\path\\to\\your\\project\\gemini-ocr-mcp",
        "run",
        "gemini-ocr-mcp.py"
      ],
      "env": {
        "GEMINI_MODEL": "gemini-2.5-flash-preview-05-20",
        "GEMINI_API_KEY": "YOUR_GEMINI_API_KEY"
      }
    }
  }
}

Linux/macOS の例：

{
  "mcpServers": {
    "gemini-ocr-mcp": {
      "command": "uv",
      "args": [
        "--directory",
        "/path/to/your/project/gemini-ocr-mcp",
        "run",
        "gemini-ocr-mcp.py"
      ],
      "env": {
        "GEMINI_MODEL": "gemini-2.5-flash-preview-05-20",
        "GEMINI_API_KEY": "YOUR_GEMINI_API_KEY"
      }
    }
  }
}

注： プレースホルダーのパスは、プロジェクトディレクトリの絶対パスに置き換えてください。

提供されるツール

ocr_image_file

ローカルの画像ファイルに対して OCR を実行します。

• パラメーター： image_file（string）：画像ファイルの絶対パスまたは相対パスです。
• 戻り値：（string）画像から抽出されたテキストです。

ocr_image_base64

Base64 エンコードされた画像に対して OCR を実行します。

• パラメーター： base64_image（string）：画像の Base64 エンコード文字列です。
• 戻り値：（string）画像から抽出されたテキストです。