AVIF in TXT umwandeln

Tesseract, die Erkennungssoftware hinter dieser Seite, bekommt die Bilddatei genau so übergeben, wie sie abgelegt wurde — ohne dass der Browser sie vorher selbst decodiert. Das ist Absicht: Ein Umweg über die Bildanzeige des Browsers würde Transparenz auf Schwarz reduzieren, und genau das würde bei einem gescannten Dokument mit weißem Hintergrund das Ergebnis ruinieren. Die Erkennung bringt deshalb sechs eigene Bildleser mit — BMP, JPEG, PNG, PBM, WebP und unbewegtes GIF —, und AVIF gehört nicht dazu.

Wer eine AVIF-Datei hier direkt ablegt, bekommt also keinen schlechten Text, sondern gar keinen. Im WebAssembly-Kern, der auf dieser Seite mitgeliefert wird, steckt schlicht kein AVIF-Decoder — ebenso wenig wie ein HEIF-Decoder, mit dem AVIF eng verwandt ist.

Der Weg, der tatsächlich funktioniert, führt über einen Zwischenschritt: die AVIF-Datei hier zuerst zu PNG umwandeln, danach den Text aus dem PNG lesen. PNG gehört zu den sechs Formaten, die die Erkennung öffnet, und es ist verlustfrei — die Pixel, die am Ende bei der Texterkennung ankommen, sind exakt die, die der AVIF-Decoder erzeugt hat, ohne einen weiteren Kompressionsschritt dazwischen.

JPEG als Zwischenformat wäre die schlechtere Wahl, auch wenn die Erkennung es ebenfalls liest: Eine erneute JPEG-Kompression verschärft genau die feinen Linien, die AVIF schon einmal geglättet hat, und der zweite Kompressionsdurchgang trifft dieselben schmalen Buchstabenstriche noch einmal. Das PNG ist auf der Festplatte größer und in jeder Hinsicht, die die Lesbarkeit betrifft, die bessere Wahl — und es ist eine Datei, die sich wegwerfen lässt, sobald der Text draußen ist.

Aus einem Scanner oder einer Handykamera kommt kein AVIF — das Format wurde 2019 von der Alliance for Open Media für die Auslieferung von Bildern im Web veröffentlicht, und es landet auf dem eigenen Rechner, weil eine Website mit moderner Bildpipeline es dem Browser ausgeliefert hat, sobald der signalisiert hat, dass er es lesen kann.

Damit hat das Material, das auf dieser Seite ankommt, einen bestimmten Charakter: ein Diagramm aus einem Onlineartikel, eine Preistabelle von einer Vergleichsseite, eine Folie aus einer im Browser geteilten Präsentation, ein eingescanntes Formular, das jemand als Bild statt als Text veröffentlicht hat. Es steckt kein Trick in der Datei — ein PDF aus einer Textverarbeitung trägt oft eine eigene Textebene, ein AVIF trägt nur komprimierte Bildpunkte und ein paar Metadaten, es gibt also nichts zu extrahieren, nur etwas zu erkennen.

Unterschiedliche Codecs versagen unterschiedlich, und wie ein Codec versagt, entscheidet, wie die Erkennung versagt. JPEG zerfällt in Blöcke und Halos um harte Kanten, was Buchstaben verrauscht, aber scharf begrenzt lässt. AVIF, als Standbild eines Videocodecs gebaut, glättet stattdessen: Es flacht ab, was der Codec für nicht beschreibenswert hält.

Geglättet sieht angenehmer aus und liest sich schlechter. Dünne Striche verlieren ihre Kante gegen den Hintergrund, Innenräume in Buchstaben laufen zu, benachbarte Zeichen verschmelzen zu einer Form, die die Erkennung dann errät. Ein AVIF, das bei Seitenansicht völlig sauber wirkt, kann deshalb bei achtpunktiger Schrift schlecht lesbar sein — die Prüfung gehört auf die kleine Schrift, nicht auf einen Blick übers ganze Bild.

Dieses Paar hat ein Problem, das andere Erkennungsseiten nicht haben: Häufig lässt sich die Quelldatei gar nicht erst ansehen. AVIF wird von jedem aktuellen Browser dargestellt und außerhalb eines Browsers von deutlich weniger — ein Doppelklick auf die Datei im Windows-Explorer bleibt oft ohne Vorschau, obwohl genau das nötig wäre, um ein erkanntes Wort gegen die Vorlage zu prüfen.

Die Lösung ist, die AVIF-Datei in einen neuen Browser-Tab zu ziehen — sie wird angezeigt, sie lässt sich vergrößern, und der erkannte Text steht daneben. Die Umwandlung selbst hängt davon nicht ab: Sie nutzt einen eigenen AVIF-Decoder, der als WebAssembly mit der Seite ausgeliefert wird, nicht den des Betriebssystems, sodass ein Rechner ohne Bildvorschau kein Hindernis ist.

Herauskommt ein Strom von Zeichen in der Reihenfolge, in der sie gelesen wurden, und sonst nichts. Bei einem Absatz Fließtext geht dabei fast nichts verloren. Bei einem Diagramm bedeutet es, dass Achsenbeschriftung, Reihennamen und Zahlen ohne jede Zuordnung ankommen, weil die Anordnung, die aus ihnen ein Diagramm machte, räumlich war und reiner Text keinen Raum kennt.

Bei einer Tabelle ist das Problem dasselbe mit schärferen Folgen: Die Zellwerte kommen in Lesereihenfolge an, die Spalten sind weg, das Wiederaufbauen dauert etwa so lange wie das Lesen der Tabelle selbst. Existieren die zugrunde liegenden Daten irgendwo — eine veröffentlichte Datei, ein Export, die Seite, von der das Bild stammt —, ist das Suchen danach schneller als das Erkennen eines Bildes davon.

Die Erkennung gleicht Formen mit Zeichen ab, ohne etwas davon zu verstehen, und sie hat keinen Mechanismus, Unsicherheit zu kennzeichnen. Der Text liest sich flüssig und vollständig, egal ob jedes Zeichen stimmte oder ein Viertel davon geraten war.

Von Websites gespeichertes Material ist reich an genau dem Inhalt, bei dem ein einzelnes falsches Zeichen zählt: Preise, Prozentzahlen, Daten, Statistiken, Kennnummern. Eine falsch gelesene Ziffer in einer weiterverwendeten Zahl ist der Fehler, der ein Korrekturlesen am ehesten übersteht — Ziffernpaare, die nach dem Glätten dieselbe Silhouette teilen, verdienen einen zweiten Blick gegen das Originalbild.

Die Erkennung arbeitet innerhalb der Buchstabenformen und des Wortschatzes genau einer Sprache. Bei falscher Einstellung meldet sie keinen Fehler, sondern liefert die nächstbeste Übereinstimmung aus einem Wortschatz, der die richtige Antwort gar nicht enthalten kann — das typische Symptom ist eine Seite plausibel wirkender Wörter, die keinen Sinn ergeben.

Verfügbar sind Deutsch, Englisch, Französisch und Spanisch. Bei Material, das von einer Website gespeichert wurde, lohnt sich die Prüfung besonders, weil eine übersetzte Seite oder ein Screenshot aus einem anderen Land öfter vorkommt, als man erwartet — ein seltsames Ergebnis zuerst an dieser Einstellung prüfen, bevor irgendetwas anderes vermutet wird.

Der AVIF-Decoder erzeugt das PNG auf dem eigenen Prozessor, und Tesseract liest es im selben Tab, beides als WebAssembly. Keine der beiden Dateien wird gesendet, es gibt kein Konto, keine Warteschlange und kein Tageslimit, und die kostenlose Obergrenze liegt bei 100 MB je Datei — weit über allem, was eine Website je ausliefern würde.

Das zählt bei diesem Paar mehr als das übliche Datenschutzargument. Ein großer Teil dessen, was als Bild gespeichert und zurückgelesen wird, ist Material, das niemand gern an einen Dritten weitergibt: ein internes Dashboard, eine Seite hinter einem Login, ein in einer internen Arbeitsgruppe geteiltes Dokument. Hier bleibt die Datei dort, wo sie schon liegt.