Convertire AVIF in TXT

Questa è la prima cosa da sapere e va in cima invece che in una nota a piè di pagina. Il riconoscitore è Tesseract compilato in WebAssembly, e gli viene passato il file esattamente come lo si è caricato — nessuna decodifica del browser avviene davanti a esso, deliberatamente, perché spingere un’immagine attraverso un canvas prima appiattirebbe la trasparenza sul nero e una scansione di carta bianca è esattamente dove questo rovina il risultato.

Ciò che significa è che gli unici lettori di immagine in gioco sono quelli integrati nel motore di riconoscimento, e ce ne sono sei: BMP, JPEG, PNG, PBM, WebP e GIF non animato. AVIF non è tra questi. Non c’è un lettore AVIF dentro il core WebAssembly che questo sito serve, quindi caricare un AVIF qui non produce testo cattivo — non produce alcun testo.

La strada che funziona è in due passi e costa un file. Si converta l’AVIF in PNG su questo sito, poi si legga il testo dal PNG. PNG è uno dei sei che il riconoscitore apre, è senza perdita, ed è la scelta giusta per il file intermedio per esattamente quella ragione: i pixel che il riconoscitore vede sono i pixel che il decoder AVIF ha prodotto, senza nulla aggiunto lungo il percorso.

JPEG verrebbe letto, ed è la scelta sbagliata qui. Salvare attraverso JPEG ricomprime le forme delle lettere che AVIF ha già ammorbidito una volta, e il secondo passaggio atterra sugli stessi tratti sottili che il riconoscitore sta cercando di riconoscere. Un PNG nel mezzo è più grande su disco e migliore in ogni modo che influisce sulla lettura — ed è un file che si può buttare via non appena il testo è fuori.

Nessuno esporta AVIF da uno scanner o da una galleria del telefono. È un formato di consegna web, pubblicato nel 2019 dall’Alliance for Open Media, e raggiunge l’utente perché un sito con una pipeline immagine moderna lo ha scelto — il più delle volte perché il browser ha annunciato che poteva leggere il formato e il server ha scelto il file più piccolo che aveva.

Ciò significa che il materiale che arriva su questa pagina ha un carattere particolare. È ciò che la gente salva dalle pagine: un grafico, una tabella di confronto, una slide, una citazione impostata come immagine, un listino prezzi, un documento che qualcuno ha scansionato e pubblicato come immagine invece che come testo. In ogni caso le parole sono visibili e non selezionabili, e riconoscerle è l’unica strada che non sia riscrivere a macchina.

Significa anche che non c’è una scorciatoia nascosta dentro il file. Alcuni formati portano un livello di testo accanto all’immagine — un PDF da un word processor lo fa, e selezionare da esso non costa nulla. Un AVIF contiene pixel compressi e un po’ di metadati, quindi non c’è nulla da estrarre e tutto da riconoscere.

Codec diversi falliscono in modo diverso, e come un codec fallisce decide come il riconoscimento fallisce. JPEG si scompone in blocchi e ringing — aloni luminosi attorno ai bordi duri — il che lascia le forme delle lettere rumorose ma ancora nettamente delimitate. AVIF, essendo un fermo immagine di un codec video, tende ad ammorbidire invece: appiattisce ciò che decide non valga la pena descrivere.

L’ammorbidimento è più gentile da guardare e più difficile da leggere. I tratti sottili perdono i loro bordi contro la carta, i contatori dentro le lettere si chiudono, e i caratteri adiacenti si fondono in una forma unica che il riconoscitore poi indovina. Ecco perché un AVIF che appare perfettamente pulito a dimensione pagina può leggersi male a corpo otto, e perché giudicare se il file è abbastanza buono significa fare zoom sul testo piccolo invece di dare un’occhiata all’intera immagine.

Un sito moderno tiene raramente una sola copia di un’immagine. Ne tiene diverse dimensioni e formati e consegna quello che si adatta al layout e al browser, ed è per questo che due persone che salvano la stessa immagine dalla stessa pagina possono finire con file diversi. Ciò che si ha è la variante che si adattava alla larghezza della propria finestra nel momento in cui si è cliccato col tasto destro.

Vale trenta secondi prima di convertire, perché una variante più grande vale più di qualsiasi impostazione su questa pagina. Aprire l’immagine nella sua scheda spesso produce una versione due o tre volte più grande, e due o tre volte i pixel per carattere è la differenza tra una lettura storpiata e una pulita. Ingrandire il file che si ha già fa l’opposto di aiutare: aggiunge pixel senza aggiungere informazione e ammorbidisce ulteriormente le forme delle lettere.

Questa coppia ha un problema che le altre pagine di riconoscimento non hanno: il lettore spesso non può vedere la sorgente. AVIF è letto da ogni browser attuale e da molto meno al di fuori di uno, quindi cliccare due volte sul file potrebbe non fare nulla, e verificare una parola riconosciuta contro l’originale è esattamente ciò che dovete fare di più.

Il rimedio è trascinare l’AVIF in una nuova scheda del browser. Verrà visualizzato, si potrà fare zoom, e lo si potrà mettere accanto al testo riconosciuto. La strada in due passi non dipende dal fatto che funzioni: la conversione in PNG usa un decoder AVIF compilato in WebAssembly e fornito con la pagina, non quello del browser o del sistema operativo, quindi una macchina che vi mostra una miniatura vuota non è d’intralcio.

L’output è un flusso di caratteri nell’ordine in cui sono stati letti, e nient’altro. Per un paragrafo di prosa perde pochissimo. Per un grafico significa che si ottengono le etichette degli assi, i nomi delle serie e i numeri senza indicazione di quale appartenesse a quale, perché la disposizione che lo rendeva un grafico era spaziale e il testo piano non ha spazio.

Per una tabella è lo stesso problema con conseguenze più nette: i valori delle celle arrivano nell’ordine di lettura e le colonne sono andate, quindi ricostruirla richiede circa quanto tempo ci è voluto a leggerla. Vale la pena saperlo prima di iniziare su una schermata di un foglio di calcolo. Dove i dati sottostanti esistono da qualche parte — un file pubblicato, un export, la pagina da cui è venuta l’immagine — trovarli batte riconoscere un’immagine di essi.

Il riconoscimento abbina forme a caratteri senza capirne nessuno, e non ha un meccanismo per segnalare l’incertezza. L’output si legge come fluente e completo indipendentemente dal fatto che ogni carattere fosse giusto o un quarto di essi fossero ipotesi, il che è precisamente ciò che lo rende pericoloso.

Il materiale salvato dalle pagine web è ricco esattamente del contenuto in cui un singolo carattere sbagliato conta: prezzi, percentuali, date, statistiche, numeri di riferimento, codici di modello. Una cifra mal letta dentro un numero che poi citate è l’errore che più probabilmente sopravvive a una correzione di bozze e meno probabilmente viene perdonato. Si rileggono i numeri contro l’immagine, e si presti particolare attenzione alle coppie di cifre che condividono una sagoma una volta che i tratti sono stati ammorbiditi.

L’abitudine pragmatica è trattare l’output come una bozza che ha risparmiato la digitazione piuttosto che come una trascrizione. Le parole nella prosa si auto-correggono, perché una sbagliata di solito si legge come sbagliata. Una cifra sbagliata si legge come un numero.

Niente, in nessuno dei due passi. Il decoder AVIF scrive il PNG sul processore dell’utente e Tesseract lo legge nella stessa scheda, entrambi come WebAssembly. Nessun file viene caricato, non c’è account, coda o limite giornaliero, e il tetto gratuito è 100 MB per file — ben oltre qualsiasi cosa un sito web vi abbia servito.

Questo conta di più per questa coppia di quanto l’argomento ordinario sulla privacy suggerisca. Una gran parte di ciò che viene salvato come immagine e riletto è materiale che qualcuno preferirebbe non consegnare a terzi: una dashboard interna, una pagina dietro un login, un documento circolato in un gruppo privato, una schermata da un sistema con un nome sopra. Qui il file resta dove è già, e l’output di testo piano che ne ricavate è immediatamente ricercabile, fa diff in modo pulito, e può alimentare uno script.