OpenAI OCR MCP Server

OpenAI OCR MCP サーバー

OpenAI のビジョン機能を使用して OCR（光学文字認識）機能を提供する Model Context Protocol（MCP）サーバーです。このサーバーは Cursor IDE と連携し、画像からシームレスにテキストを抽出できます。

特長

• 画像からのテキスト抽出：OpenAI の GPT-4.1-mini ビジョンモデルを使用して、さまざまな画像形式からテキストを抽出します
• テキストファイルの自動作成：抽出したテキストを元の画像と同じ場所に自動保存します
• コンテンツベースのファイル名：一意のコンテンツハッシュを使用して、ファイルを整理します
• 複数の画像形式に対応：JPG、PNG、GIF、WebP 形式に対応しています
• 堅牢なエラー処理：包括的な検証とエラー報告を行います
• 詳細なログ記録：トラブルシューティングに役立つ、デバッグしやすいログを記録します

技術詳細

ビジョンモデル

• OpenAI の GPT-4.1-mini モデルを使用します
• 画像からのテキスト抽出に最適化されています
• 詳細な画像分析に対応しています
• OpenAI のビジョン API を介して画像を処理します

ファイル処理

• テキストファイルを自動作成します
• コンテンツベースのハッシュを生成します
• 複数の画像形式に対応しています
• ファイルサイズの検証機能を内蔵しています

インストール

1. リポジトリをクローンします
2. 依存関係をインストールします：

   npm install
   

3. TypeScript コードをビルドします：

   npm run build
   

4. .env ファイルに OpenAI API キーを設定します：

   OPENAI_API_KEY=your_api_key_here
   

使用方法

Cursor IDE での使用

1. Cursor の設定で MCP サーバーを構成します
2. Cursor のコマンドパレットから OCR ツールを使用します
3. 処理する画像ファイルを選択します
4. 抽出されたテキストは次のように表示されます：
   • Cursor に表示されます
   • 画像と同じ場所にテキストファイルとして保存されます

テキストファイルの出力

処理した画像ごとに、サーバーは次の命名規則に従ってテキストファイルを作成します：

{original_image_name}-{content_hash}.txt

例：

• 入力画像：document.jpg
• 出力ファイル：document-a1b2c3d4.txt

content_hash は抽出したテキストから生成される一意の 8 文字のハッシュで、次のことを可能にします：

• テキストの内容が異なる場合に、一意のファイル名を付けます
• 元画像と抽出したテキストを簡単に照合できます
• 同じ画像から異なる結果が生成された場合に、バージョンを追跡できます

対応画像形式

• JPEG/JPG
• PNG
• GIF
• WebP

ファイルサイズの上限

• 最大ファイルサイズ：5MB
• この上限を超えるファイルは、エラーメッセージとともに拒否されます

エラー処理

サーバーは、よくある問題について詳細なエラーメッセージを提供します：

• 無効な画像形式
• ファイルサイズ超過
• ファイルアクセスの問題
• API キーの問題
• テキスト抽出の失敗

開発

ソースからのビルド

npm run build

テストの実行

npm test

デバッグ

サーバーは、次のような詳細なログを提供します：

• API キーの検証
• ファイル処理の手順
• テキスト抽出の結果
• ファイル保存の処理

環境変数

• OPENAI_API_KEY：OpenAI API キー（必須）
• 標準形式（sk-...）とプロジェクト固有形式（sk-proj-...）の両方の API キーに対応しています

コントリビューション

コントリビューションを歓迎します！お気軽にプルリクエストを送信してください。

ライセンス

MIT ライセンス