Convertir AVIF a TXT

Conviene decirlo antes que nada, porque cambia lo que tienes que hacer. El reconocimiento lo hace Tesseract compilado a WebAssembly, y recibe el archivo tal como lo sueltas: no se descodifica en el navegador antes de entregárselo, y eso es deliberado, porque pasar la imagen por un lienzo aplanaría la transparencia a negro y una hoja blanca escaneada es justo el caso donde eso arruina el resultado.

La consecuencia es que los únicos lectores de imagen en juego son los que lleva dentro el propio motor de reconocimiento, y son seis: BMP, JPEG, PNG, PBM, WebP y GIF sin animación. AVIF no está entre ellos, y el núcleo WebAssembly que servimos desde este sitio no contiene ningún lector de AVIF. Soltar un AVIF aquí no produce texto malo: no produce texto.

Son dos pasos y te cuesta un archivo intermedio. Convierte el AVIF a PNG en este sitio y después lee el texto de ese PNG. PNG es uno de los seis formatos que el reconocedor abre, no descarta nada al guardarse, y por eso es el intermedio correcto: los píxeles que ve el reconocedor son exactamente los que produjo el descodificador de AVIF, sin nada añadido por el camino.

JPEG también se leería y es la elección equivocada aquí. Guardar en JPEG vuelve a comprimir unas letras que AVIF ya ha suavizado una vez, y esa segunda pasada cae sobre los mismos trazos finos que el reconocedor intenta identificar. El PNG intermedio ocupa más en disco y es mejor en todo lo que afecta a la lectura, y además es un archivo que puedes borrar en cuanto tengas el texto.

Nadie exporta AVIF desde un escáner ni desde la galería del móvil. Es un formato de entrega web, y llega a tus manos porque un sitio con una cadena de imágenes moderna lo eligió: tu navegador anunció que sabía leerlo y el servidor entregó la variante más pequeña que tenía guardada.

Eso condiciona el material que llega a esta página. Es lo que la gente guarda de una web: un gráfico, una tabla de precios, una diapositiva, una cita compuesta como imagen, un cuadro estadístico, un documento que alguien escaneó y publicó como fotografía en vez de como texto. En todos esos casos las palabras se ven y no se pueden seleccionar, y reconocerlas es la única vía que no pasa por teclearlas.

Cada códec falla a su manera, y la manera de fallar decide cómo falla el reconocimiento. JPEG se descompone en bloques y en halos alrededor de los bordes duros, lo que deja las letras con ruido pero con el contorno todavía marcado. AVIF, que es un fotograma fijo de un códec de vídeo, tiende a alisar: aplana lo que decide que no merece describirse.

Alisar es más agradable a la vista y más difícil de leer. Los trazos finos pierden el borde contra el papel, los huecos interiores de las letras se cierran y dos caracteres contiguos se funden en una forma que el reconocedor acaba adivinando. Por eso un AVIF que se ve impecable al tamaño de la página puede leerse fatal en un cuerpo de ocho puntos, y por eso juzgar si el archivo sirve significa ampliar el texto pequeño en lugar de mirar la imagen entera.

Este es el ajuste que más decide y el que más se pasa por alto. El reconocedor trabaja dentro de las formas de letra y del vocabulario de un idioma. Puesto ante el idioma equivocado no informa de un fallo: devuelve la coincidencia más próxima dentro de un conjunto que no puede contener la respuesta correcta, y por eso el síntoma clásico es una página de palabras verosímiles que no dicen nada.

Aquí hay cuatro idiomas disponibles —inglés, alemán, francés y español— y el valor por defecto es inglés. Además, un idioma que el motor no reconozca se sustituye por inglés en silencio. Si has convertido un recorte en castellano sin tocar ese desplegable, lo has leído contra un vocabulario inglés: revisa ese ajuste antes de revisar ninguna otra cosa.

Los caracteres que distinguen al español son también los más pequeños de la página. Una tilde sobre una vocal, la virgulilla de la eñe, la cedilla si el recorte es en catalán o en portugués, la diéresis de «pingüino»: todos ellos son unos pocos píxeles por encima de la letra, y son exactamente los píxeles que el alisado de AVIF se lleva primero.

De ahí una rutina de repaso corta y útil: busca en el texto reconocido las parejas que se confunden al perder el detalle —«ano» donde debía decir «año», «esta» donde decía «está», «publico» por «público»— y comprueba si los signos de apertura de interrogación y exclamación han llegado. Son errores que un corrector ortográfico no marca, porque las dos palabras existen.

Este par tiene un problema que las demás páginas de reconocimiento no tienen: muy a menudo no puedes ver el original. Todos los navegadores actuales muestran AVIF y bastante poco software fuera de un navegador lo hace, así que hacer doble clic sobre el archivo puede no producir nada, justo cuando lo que necesitas es comparar una palabra reconocida con la imagen.

La solución es arrastrar el AVIF a una pestaña nueva: se muestra, se puede ampliar y lo puedes poner al lado del texto. Y la ruta de dos pasos no depende de que eso funcione, porque la conversión a PNG usa un descodificador de AVIF compilado a WebAssembly que viaja con la página, no el de tu navegador ni el de tu sistema. Una máquina que te enseña una miniatura en blanco no es un obstáculo.

La salida es una sucesión de caracteres en el orden en que se leyeron, y nada más. No hay recorte ni limpieza posterior: los saltos de línea y las líneas en blanco salen tal como los produjo el reconocedor. Para un párrafo corrido eso se pierde poco. Para un gráfico significa que recibes las etiquetas de los ejes, los nombres de las series y las cifras sin ninguna indicación de qué pertenecía a qué, porque la disposición que lo hacía un gráfico era espacial y el texto plano no tiene espacio.

Con una tabla es el mismo problema con peores consecuencias: los valores de las celdas llegan en orden de lectura y las columnas han desaparecido, así que reconstruirla cuesta casi tanto como leerla. Conviene saberlo antes de empezar con la captura de una hoja de cálculo. Donde los datos de origen existan en algún sitio —un archivo publicado, un portal de datos abiertos, la propia página de la que salió la imagen—, encontrarlos gana a reconocer una fotografía de ellos.

El reconocimiento empareja formas con caracteres sin entender ninguno, y no tiene ningún mecanismo para señalar sus dudas. La salida se lee fluida y completa tanto si todos los caracteres eran correctos como si una cuarta parte eran conjeturas, y eso es justamente lo que la hace peligrosa.

El material que se guarda de páginas web está cargado de contenido donde un carácter equivocado importa: precios, porcentajes, fechas, estadísticas, números de referencia. Y en castellano hay una trampa añadida, porque el punto y la coma se reparten los papeles al revés que en inglés: en 1.024 el punto agrupa millares y en 0,621371 la coma abre los decimales. Un separador mal reconocido convierte mil en uno con tres decimales sin que la frase suene rara. Repasa los números contra la imagen antes de citarlos.

El reconocimiento no siempre es el camino barato, y merece decirlo en la página que lo ofrece. Un pie de foto, un titular, media docena de cifras de un gráfico, una sola línea de un esquema: para cuando has convertido, leído la salida y comprobado que coincide con la imagen, lo habrías tecleado y sabrías que está bien.

Compensa con volumen y densidad: una página entera de texto corrido, una tabla larga, una carpeta de documentos escaneados, cualquier cosa cuya transcripción manual se mida en decenas de minutos. Y conviene contar también con el reloj: el reconocimiento es con diferencia el motor más lento de este sitio, así que una carpeta grande es una tarea que se deja funcionando, no algo que se espera mirando.

Nada, en ninguno de los dos pasos. El descodificador de AVIF escribe el PNG en tu propio procesador y Tesseract lo lee en la misma pestaña, los dos como WebAssembly. Todo lo que necesita el reconocedor —el trabajador, el núcleo y el modelo de idioma— lo servimos desde este dominio en lugar de pedirlo a una red de distribución ajena, y el modelo queda guardado en el navegador tras el primer uso.

Eso importa más aquí que en el argumento genérico de privacidad. Buena parte de lo que se guarda como imagen y se lee después es material que nadie querría entregar a un tercero: un panel interno, una página detrás de un acceso, un documento que circuló en un grupo cerrado, una captura de un sistema con un nombre encima. El tope de la capa gratuita son 100 MB por archivo, muy por encima de cualquier cosa que una web te haya servido.

El resultado es un archivo de texto plano: caracteres y saltos de línea, sin tipografías, sin cuerpos, sin negritas y sin estructura. Lo abre el Bloc de notas, lo abre TextEdit, lo abre cualquier editor, cualquier navegador y cualquier lenguaje de programación, que es justamente para lo que sirve el formato.

Esa simpleza es lo que hace útil el resultado más adelante. Un texto así se pega en cualquier parte, se busca de inmediato, se compara línea a línea y se le puede pasar a un script sin analizador. Lo que no vas a obtener aquí es un PDF con capa de texto ni coordenadas de cada palabra: eso no forma parte de lo que este reconocimiento produce. Si necesitas las palabras dentro de un documento maquetado, lleva el texto a un procesador y construye allí la maquetación.