いまの主要なAI（ChatGPTのGPT-5、GoogleのGemini 3、AnthropicのClaude Opus 4.7／4.8など）は、文章だけでなく画像も“読んで”理解するマルチモーダル機能を標準で備えています。スクリーンショットの文字起こし、グラフの傾向の要約、手書きメモの清書、画面デザインの指摘まで、写真を1枚渡すだけで言葉で返してくれます。本記事は、できること・コツ・そして「読み間違い」への備え方までを、初めての方向けに整理します。
What It Can Do
「画像を読む」と一口に言っても、中身は大きく4つです。①画像内の文字を取り出す（OCR）、②グラフ・表の数値や傾向を読み取る、③手書きの字を活字に直す、④画面・写真を見て改善点を述べる。どれも特別な設定は要らず、画像を添付して日本語で頼むだけで動きます。
FIG.1 画像を添付 →「Vision」が画像と指示を理解 → 言葉で返す。設定不要
01まず画像を渡す：対応形式と上限
使い方はシンプルです。チャットの入力欄にあるクリップ（添付）アイコンを押して画像を選ぶか、PCならチャット画面へドラッグ＆ドロップ。スマホアプリなら＋ボタンからカメラ撮影かギャラリー選択ができます。読み込んだら、あとは「この画像の文字を書き出して」のように日本語で頼むだけです。
対応する画像形式と枚数の目安は、サービスによって少しずつ違います。代表例として Claude の場合は次の通りです（数値や上限は変わることがあるため、利用するサービスの公式情報で必ず確認してください）。
- 対応形式：JPEG・PNG・WebP・GIF（GIFは先頭フレームのみ）。スクリーンショットや写真は通常これに収まります。
- 枚数：claude.ai（ブラウザ／アプリ）では1回のやり取りで概ね最大20枚、APIでは1リクエスト最大100枚まで扱えます。
- 画質：長辺がおおよそ1568px程度で十分な精度。Opus 4.7以降は高解像度（長辺2576px程度）にも対応します。1ファイル20MBが目安で、超えると自動で縮小されます。
細かい字や複雑な表は、少しズームして鮮明に撮るだけで読み取り精度が上がります。極端に小さい・ぼけた画像は誤読のもとです。
02スクリーンショットから文字を取り出す（OCR）
もっとも使う場面が、画面や書類の文字起こしです。請求書、メール画面、チャットログ、会議資料のスクショなどから、テキストをそのまま取り出せます。日本語・英語に加え多言語も扱えます。
指示はストレートで構いません。
このスクリーンショットの文字をそのまま書き出してください。「項目を決めて抜き出す」と、後で使いやすい形になります。たとえば会議資料なら——
