Convertir AVIF en TXT

C’est la première chose à savoir et elle appartient au début plutôt qu’à une note de bas de page. Le reconnaisseur est Tesseract compilé en WebAssembly, et il reçoit le fichier exactement comme vous l’avez déposé — aucun décodage par navigateur n’a lieu devant lui, délibérément, parce que pousser une image à travers un canvas d’abord aplatirait la transparence en noir et une numérisation de papier blanc est précisément là où cela ruine le résultat.

Ce que cela veut dire, c’est que les seuls lecteurs d’image en jeu sont ceux intégrés au moteur de reconnaissance, et il y en a six : BMP, JPEG, PNG, PBM, WebP et GIF non animé. AVIF n’est pas parmi eux. Il n’y a aucun lecteur AVIF à l’intérieur du cœur WebAssembly que ce site sert, donc déposer un AVIF ici ne produit pas un mauvais texte — cela ne produit aucun texte du tout.

La route qui marche prend deux étapes et vous coûte un fichier. Convertissez l’AVIF en PNG sur ce site, puis lisez le texte depuis le PNG. PNG est l’un des six que le reconnaisseur ouvre, il est sans perte, et c’est le bon choix pour le fichier intermédiaire précisément pour cette raison : les pixels que le reconnaisseur voit sont les pixels que le décodeur AVIF a produits, sans rien d’ajouté en route.

JPEG serait aussi lu, et c’est le mauvais choix ici. Enregistrer en passant par JPEG re-compresse des lettrines qu’AVIF a déjà adoucies une fois, et le second passage atterrit sur les mêmes traits fins que le reconnaisseur essaie de faire correspondre. Un PNG au milieu est plus gros sur le disque et meilleur à toute mesure qui affecte la lecture — et c’est un fichier que vous pouvez jeter dès que le texte est sorti.

Personne n’exporte un AVIF depuis un scanner ou une galerie de téléphone. C’est un format de diffusion web, publié en 2019 par l’Alliance for Open Media, et il vous arrive parce qu’un site avec une chaîne d’images moderne l’a choisi — le plus souvent parce que votre navigateur a annoncé qu’il pouvait lire le format et que le serveur a choisi le plus petit fichier qu’il avait.

Cela veut dire que le matériel qui arrive sur cette page a un caractère particulier. C’est ce que les gens enregistrent depuis des pages : un graphique, un tableau comparatif, une diapositive d’une présentation, une citation composée en image, une liste de prix, un document que quelqu’un a scanné et publié comme image plutôt que comme texte. Dans chaque cas les mots sont visibles et non sélectionnables, et les reconnaître est la seule route en dehors de la re-frappe.

Cela veut aussi dire qu’il n’y a pas de raccourci caché dans le fichier. Certains formats portent une couche de texte à côté de l’image — un PDF issu d’un traitement de texte le fait, et y sélectionner coûte rien. Un AVIF contient des pixels compressés et un peu de métadonnées, donc il n’y a rien à extraire et tout à reconnaître. Cette distinction décide combien vous devez vérifier ensuite.

Les codecs échouent différemment, et la façon dont un codec échoue décide la façon dont la reconnaissance échoue. JPEG se décompose en blocs et en résonance — des halos brillants autour des bords durs — ce qui laisse des lettrines bruyantes mais toujours nettement délimitées. AVIF, étant une image fixe d’un codec vidéo, tend à lisser à la place : il aplatit ce qu’il décide ne pas valoir la peine de décrire.

Lisser est plus doux à regarder et plus dur à lire. Les traits fins perdent leurs bords contre le papier, les contre-formes à l’intérieur des lettres se referment, et les caractères adjacents fusionnent en une forme que le reconnaisseur devine ensuite. C’est pourquoi un AVIF qui paraît parfaitement propre à la taille d’une page peut se lire mal à un corps de huit points, et pourquoi juger si le fichier est assez bon exige de zoomer sur le petit texte plutôt que de jeter un coup d’œil à l’ensemble de l’image.

Un site moderne détient rarement une seule copie d’une image. Il en a plusieurs tailles et formats et remet celui qui correspond à la mise en page et au navigateur, ce qui explique que deux personnes qui enregistrent la même image depuis la même page puissent se retrouver avec des fichiers différents. Ce que vous avez, c’est la variante qui convenait à la largeur de votre fenêtre au moment où vous avez fait un clic droit.

Cela vaut trente secondes avant de convertir, parce qu’une variante plus grande vaut plus que n’importe quel réglage de cette page. Ouvrir l’image dans son propre onglet donne souvent une version deux ou trois fois plus grande, et deux ou trois fois plus de pixels par caractère est la différence entre une lecture abîmée et une propre. Là où la page propose un lien vers une version pleine taille derrière la vignette, utilisez-la plutôt que ce que la mise en page vous a donné. Agrandir le fichier que vous avez déjà fait le contraire d’aider : cela ajoute des pixels sans ajouter d’information et adoucit davantage les lettrines, donc le reconnaisseur reçoit une version plus grande de la même ambiguïté.

Cette paire a un problème que les autres pages de reconnaissance n’ont pas : le lecteur ne peut souvent pas voir la source. AVIF est lu par tous les navigateurs actuels et par bien moins en dehors de l’un d’eux, donc un double-clic sur le fichier peut très bien ne rien faire du tout, et vérifier un mot reconnu contre l’original est exactement ce que vous avez le plus besoin de faire.

Le correctif est de faire glisser l’AVIF dans un nouvel onglet de navigateur. Il s’affichera, il zoomera, et vous pourrez le mettre à côté du texte reconnu. Et la route en deux étapes ne dépend pas de ce que cela marche : la conversion en PNG utilise un décodeur AVIF compilé en WebAssembly et livré avec la page, pas celui de votre navigateur ou de votre système d’exploitation, donc une machine qui vous montre une vignette vide n’est pas un obstacle.

La sortie est un flot de caractères dans l’ordre où ils ont été lus, et rien d’autre. Pour un paragraphe de prose, cela perd très peu. Pour un graphique, vous obtenez les étiquettes d’axe, les noms de séries et les nombres sans indication de ce qui appartenait à quoi, parce que la disposition qui en faisait un graphique était spatiale et que le texte brut n’a pas d’espace.

Pour un tableau, c’est le même problème avec des conséquences plus nettes : les valeurs des cellules arrivent en ordre de lecture et les colonnes ont disparu, donc le reconstruire prend à peu près autant de temps que le lire. Cela vaut la peine d’être su avant de commencer sur une capture d’écran d’un tableur. Là où les données sous-jacentes existent quelque part — un fichier publié, un export, la page d’où vient l’image — les trouver est plus rapide que reconnaître leur image.

La reconnaissance fait correspondre des formes à des caractères sans rien en comprendre, et elle n’a aucun mécanisme pour signaler l’incertitude. La sortie se lit comme fluide et complète, que chaque caractère ait été juste ou qu’un quart d’entre eux aient été des suppositions, ce qui est précisément ce qui la rend dangereuse.

Le matériel enregistré depuis des pages web est lourd en exactement le contenu où un seul caractère erroné compte : prix, pourcentages, dates, statistiques, numéros de référence, codes de modèle. Un chiffre mal lu à l’intérieur d’un nombre que vous citerez ensuite est l’erreur la plus susceptible de survivre à une relecture et la moins susceptible d’être pardonnée. Relisez les nombres contre l’image, et portez une attention particulière aux paires de chiffres qui partagent une silhouette une fois les traits adoucis.

L’habitude pragmatique est de traiter la sortie comme un brouillon qui vous a évité la frappe plutôt que comme une transcription. Les mots en prose s’auto-corrigent, parce qu’un mot erroné se lit en général comme erroné. Un chiffre erroné se lit comme un nombre.

Le reconnaisseur travaille à l’intérieur des lettrines et du vocabulaire d’une langue. Avec la mauvaise, il ne signale pas d’échec — il renvoie la correspondance la plus proche disponible dans un ensemble qui ne peut pas contenir la bonne réponse, ce qui explique que le symptôme classique soit une page de mots plausibles qui ne veulent rien dire.

L’anglais, l’allemand, le français et l’espagnol sont les options ici, et le choix compte plus qu’il n’y paraît sur du matériel enregistré depuis le web, où une page que vous lisiez en traduction ou une capture d’écran d’un autre pays n’est couramment pas dans la langue par défaut de votre machine. Si un résultat est étrange d’une façon que vous ne pouvez pas expliquer, vérifiez ce réglage avant de vérifier quoi que ce soit d’autre.

La sortie est un fichier texte brut — caractères Unicode et sauts de ligne, sans polices, sans tailles, sans gras et sans structure. Notepad, TextEdit et Visual Studio Code l’ouvrent tous, comme le fait tout éditeur, tout navigateur et tout langage de script, ce qui est le but du format et l’est depuis que l’idée d’un jeu de caractères a été normalisée dans les années 1960.

Cette nudité est ce qui rend le résultat utile en aval. Un texte aussi dépouillé se colle partout, est immédiatement recherchable, se diff proprement, et peut être passé à un script sans analyseur. Et rien, à aucune des deux étapes, n’est envoyé nulle part : le décodeur AVIF écrit le PNG sur votre propre processeur et Tesseract le lit dans le même onglet, les deux en WebAssembly. Le plafond gratuit est 100 Mo par fichier, bien au-delà de ce qu’un site web vous aura servi. Pour cette paire cela compte plus qu’à l’ordinaire, parce qu’une bonne part de ce qui est enregistré comme image pour être relu est du matériel que quelqu’un préférerait ne pas remettre à un tiers.