Geminiが画像を読み取れない時の切り分け術｜レポート資料が認識されない

ゼミの配布資料を写真に撮ってGeminiに「この表の内容を文字起こしして」と頼んだのに、数字がところどころ間違っている。あるいは「読み取れませんでした」と返ってくる——。Geminiの画像認識を使い始めた人がまず直面するのが、この「思ったより読めない」問題です。

この記事の切り口は一つだけです。「Geminiが読めないのは、画質のせいなのか、それともGeminiがそもそも苦手な作業を頼んでいるのか」を先に切り分ける、という考え方をお伝えします。ここを混同したまま何度もアップロードし直しても、直る問題と絶対に直らない問題があるからです。あやきが公式ドキュメントや利用者の報告を調べて整理した「切り分けの地図」を、レポート・就活・試験対策という大学生の場面に引き付けて共有します。

まず知ってほしい：Geminiの「読めない」には2種類ある

結論から言うと、Geminiの画像認識でつまずく原因は大きく次の2タイプに分かれます。

• タイプA：あなたの画像や頼み方を直せば改善するもの（ピンボケ・傾き・小さすぎる文字・曖昧な指示など）
• タイプB：Geminiがそもそも苦手で、直しようがない領域（精密な数え上げ・医療画像の診断・一般人の顔特定など）

タイプAはこちらの工夫で改善が見込めます。一方タイプBは、どれだけ画質を上げても構造的に精度が上がりにくい領域です。ここを取り違えて「読めないのはピンボケのせいだ」と思い込み、何度も撮り直しても徒労に終わる、というのがよくある失敗です。まずはこの2つを見分けるところから始めましょう。

Googleが公開しているGeminiの画像理解に関するドキュメントでは、一般人（著名でない人物）の顔の識別には対応していないこと、物体の厳密な位置把握や正確な個数のカウントは不得手なこと、医療画像（レントゲンやCTなど）の解釈には適さないことなどが、モデルの制限として明記されています。最新の対応範囲は変わる可能性があるため、詳細は必ず公式ドキュメントで確認してください。

タイプBかどうかを最初に判定する（ここを間違えると時間を無駄にする）

撮り直しに走る前に、まず「そもそもGeminiに向いていない作業を頼んでいないか」をチェックします。次に当てはまるなら、それはタイプB、つまり画質を直しても解決しにくい領域です。

タイプBの代表例（大学生がやりがち）

• 正確な個数を数えさせる：懇親会の集合写真で「何人写ってる？」、実験サンプルの粒の数を数えさせる、など。Geminiは概算は返せますが、精密なカウントは苦手だとされています。答えを鵜呑みにできません。
• 複雑なフローチャートや構造図の正確な再現：分岐が多い図や、上下逆・非標準の記号を含む図は誤認識が増えるという研究報告もあります。ゼミ発表用のプロセス図をそのまま正確に文字化させるのは危険です。
• 珍しい専門的な対象の同定：フィールドワークで撮った珍しい植物の種名や、専門的な図版の細部の特定。誤認識しやすいとされています。
• 一般人の顔で個人を特定する：これはそもそも対応していないと明記されています。

これらは「Geminiが壊れている」のではなく、設計上の得意・不得意の問題です。SNSでは「Geminiの画像認識は完全に壊れている」といった強い批判も見かけますが、制限を理解して使いどころを選べば十分役立つ、というのが実態に近い見方だと考えられます。

タイプBだと判定できたら、無理にGeminiに正解を出させようとせず、「Geminiには概要のたたき台を作らせ、正確な数字や事実は自分の目で確認する」という使い方に切り替えるのが正解です。就活のESに使う統計データや、卒論に載せる数値は、この意味で必ず一次資料で裏取りしてください。

タイプAなら改善できる：狙うのは「画質」より「頼み方」

タイプBでないなら、多くはタイプA、つまり改善の余地があります。ここで意外なのは、撮り直しよりも先に「頼み方（指示文）」を直す方が効くことが多いという点です。理由を説明します。

Geminiは、指示が曖昧だと画像のどこに注目すればいいか分からず、それらしい答えを埋めてしまう（幻覚を起こす）傾向があります。逆に「どこを、どういう形式で読み取ってほしいか」を具体的に指定すると、余計な推測をする余地が減ります。つまり、画像そのものが多少荒くても、指示の解像度を上げると出力が安定しやすいのです。

ビフォー：曖昧な頼み方

この画像を要約して

この頼み方だと、Geminiは表なのか本文なのかグラフなのかの優先度を勝手に決め、読み取りにくい部分を「それっぽく」補ってしまいがちです。例えば講義スライドの写真に対して、こんな出力になることがあります（実際の出力は毎回変わります）。

このスライドは経済成長について説明しており、
GDPが年々増加していることを示しています。
（※スライドに書かれていない一般論を補ってしまっている）

アフター：読み取り範囲と形式を指定する

この画像は大学の講義スライドの写真です。次のルールで文字起こししてください。
1. 画像に実際に書かれている文字だけを書き起こす。書かれていない情報は補わない。
2. 見出しと本文を区別し、箇条書きは箇条書きのまま再現する。
3. 数字やアルファベットで読み取りに自信がない箇所は、その文字の後に「(要確認)」と付ける。
4. 判読できない部分は勝手に推測せず「[判読不可]」と書く。

ポイントは3番と4番です。「自信がないところは正直に(要確認)と書いて」と逃げ道を用意しておくと、無理に埋めて誤情報を出す確率を下げられます。出力はたとえば次のようになります（これも毎回変わります）。

【見出し】需要と供給
・価格が上昇すると需要は減少する
・均衡点は需要曲線と供給曲線の交点
・弾力性の値は 1.3 (要確認)
[判読不可] （右下の小さな注釈）

「(要確認)」「[判読不可]」が付いた部分だけ自分の目で確認すればよいので、全体を疑って読み直すより圧倒的に速くなります。これがレポートの下書きや、試験前に配布プリントを整理するときに効いてきます。

それでも数字がズレる時の「もう一押し」

指示を直しても、細かい数字や小さな文字がどうしても揺れることがあります。ここで諦める人が多いのですが、利用者の報告の中には「Geminiがいったん『読めない』と言っても、押し返して再度頼むと読めるケースがある」というものもあります。Geminiが自分の能力を過小に見積もって断ってくる場面があるようなのです。そこで使えるのが次の一文です。

先ほど「読み取れない」とありましたが、
画像の左上から右下へ、ブロックごとに順番に見ていってください。
一度に全部ではなく、まず一番上のブロックだけを読み取ってください。

「一度に全部」ではなく「範囲を区切って順番に」と頼むと、処理が安定することがあります。表の場合は「1行ずつ読んで」「まず列見出しだけ教えて」のように、さらに細かく区切るのも有効です。それでも精度が上がらない場合は、そもそもタイプB（苦手領域）に片足を突っ込んでいる可能性を疑ってください。

意外な落とし穴：PDFに画像を含めた後の不調

もう一つ、初心者がハマりやすいのがPDFがらみのトラブルです。画像を含むPDFをアップロードした後、同じチャットで画像生成などを頼むとエラーが出る、という報告がGoogleのヘルプフォーラムに上がっています。原因の切り分けが難しい不具合ですが、対処としては「新しいチャットを開いてやり直す」のがまず試す価値のある方法です。

就活で企業の会社案内PDFを読み込ませて質問する、といった使い方をする人は覚えておくとよいでしょう。うまくいかなくなったら、そのチャットに固執せず、新規チャットで画像やPDFを入れ直すのが早いことが多いです。

大学生の場面別・使い分けの目安

切り分けの地図をもう一度

Geminiの画像認識でつまずいたら、撮り直しやアップロードのやり直しに走る前に、この順番で考えてみてください。

1. 頼んでいる作業はタイプB（精密なカウント・顔特定・医療画像・複雑な構造図）ではないか？ → そうなら、正確さをGeminiに求めず自分で裏取りする前提に切り替える。
2. タイプBでないなら、まず指示文を「範囲・形式・自信のない箇所の扱い」まで具体化する。
3. それでもダメなら「範囲を区切って順番に」と押し返す。
4. PDF絡みの不調なら新規チャットでやり直す。

「読めない」の正体を最初に見分けるだけで、無駄な撮り直しと、誤情報をそのままレポートに載せてしまう事故の両方を減らせます。Geminiは万能ではありませんが、苦手な領域を避けて指示を丁寧にすれば、資料整理の下ごしらえには十分な戦力になります。仕様や対応範囲は今後変わる可能性があるので、細かい制限は公式ドキュメントで最新情報を確認しながら使ってみてください。