Ep.619 NDL×NII、官庁出版物テキスト30万点をLLM学習へ──日本語AIの“土台”強化（2025年10月9日配信）

名古屋ではたらく社長のITニュースポッドキャスト · Oct 8, 2025 · 3m

10月1日、国立国会図書館は、官庁出版物のデジタル化画像からOCRで作成した全文検索用テキストデータを国立情報学研究所に提供すると発表しました。対象は主に1995年までの図書に雑誌、そして官報を含み、合計は約30万点分。これらはNIIで進む大規模言語モデル構築の学習用データとして利用されます。日本語の公的資料に根ざしたコーパスが加わることで、行政・法律・規制といった領域の言語理解の厚みが増すことが期待されます。

今回の連携は、1995年に結ばれた「国立国会図書館及び学術情報センターの相互協力に関する協定」に基づくもの。長年の協力関係の延長線上で、生成AI時代にふさわしい“知の共有インフラ”を再構築していく動きといえます。NII側のLLM研究開発センター（LLMC）でも同日付で本件を周知しており、翌10月2日には日本語学術文献に強い独自OCR「llmc-ocr」をオープンソースとして公開。資料テキストの質と量を両輪で高める姿勢がうかがえます。…