Convertire HEIF in TXT

La situazione per cui la pagina è scritta è una desktop. Le immagini sono già sul computer — copiate dal telefono, esportate da una galleria, mandate da un collega, tirate da un backup — e sono documenti più che panorami: fatture, letture di contatori, appunti scritti a mano, una pagina di un contratto, quaranta pagine di un manuale che qualcuno ha fotografato invece di scansionare.

Sul telefono, il sistema operativo spesso offre di selezionare il testo in un’immagine, e quello è più veloce di qualsiasi sito web. Sul desktop, con file in questo formato, generalmente non c’è nulla: il sistema potrebbe non rendere nemmeno un’anteprima. Il riconoscimento in una scheda del browser è una delle poche strade che non comincia con l’installare qualcosa.

Il motore di riconoscimento legge il file che gli viene dato senza nulla che lo decodifichi prima. È deliberato — spingere un’immagine attraverso una canvas prima dell’ingresso appiattirebbe la trasparenza in nero, e su una scansione di carta bianca è la differenza tra leggibile e illeggibile — ma significa che gli unici lettori di immagini in gioco sono i sei compilati nel motore: BMP, JPEG, PNG, PBM, WebP e GIF non animata. HEIF non è tra questi, e nessun lettore HEIF esiste da nessuna parte nel core di riconoscimento che questo sito serve.

Quindi il lavoro è di due conversioni invece di una. Si converta il HEIF in PNG su questo sito, poi si leggano le parole dal PNG. Il decodificatore che gestisce il primo passaggio è un software separato dal riconoscitore e HEIF lo legge, ed è per questo che HEIF in PNG e HEIF in JPG funzionano sulle loro pagine. PNG è quello da scegliere per il file di mezzo: la fotografia è già stata compressa una volta sul dispositivo che l’ha scattata, e un secondo passaggio lossy cade proprio sui tratti sottili che il riconoscitore sta cercando di abbinare.

Ogni altra coppia sul sito o funziona o fallisce rumorosamente. Un’immagine diventa un’altra immagine, e se l’encoder non ce la fa si riceve un errore. Il riconoscimento è diverso in natura: restituisce testo che sembra esattamente testo, che dica o meno ciò che la pagina diceva.

Quindi l’output è una lettura, non una trascrizione, e va controllato sull’originale. Non è un disclaimer da saltare — è il singolo fatto operativo più importante su questa coppia, e decide come si deve usare il risultato.

Quattro modelli sono disponibili: inglese, tedesco, francese e spagnolo. Ciascuno è un modello addestrato per le forme delle lettere e il vocabolario di quella lingua, e il riconoscitore opera rigorosamente all’interno di quello che si sceglie.

Sbagliare la scelta non produce un errore, ed è per questo che vale una sezione sua. Produce la miglior corrispondenza disponibile in un insieme che non contiene la risposta giusta, quindi il testo è fluente, plausibilmente sagomato e sbagliato. Se un risultato sembra strano in un modo che non si sa spiegare, questa è la prima cosa da controllare ed è di solito la causa.

Il riconoscimento è la cosa più lenta sul sito di gran lunga, e la maggior parte dell’attesa sul primo file non è lettura — è scaricare e compilare diversi megabyte di WebAssembly e poi un modello di lingua.

Quel costo si paga una volta per lingua e si tiene per il resto della sessione, e il modello viene messo in cache nel browser dopo, così un documento domani non lo riscarica. La conseguenza pratica è controintuitiva: lasciar cadere una cartella di venti pagine è molto più efficiente per pagina che una sola, quindi si lavori in lotti invece che un file alla volta.

La risoluzione è raramente il problema con una foto da telefono — dodici megapixel danno molti pixel per carattere anche quando la pagina riempie solo parte dell’inquadratura. La geometria e la luce sono i problemi.

Si fotografi la pagina piatta invece che arricciata, dall’alto invece che da una sedia, e con la luce che viene di lato così la propria ombra non è distesa sul testo. Quelle tre cose cambiano il risultato più di qualsiasi impostazione di questa pagina, e una pagina scattata di sbieco produce errori che nessuna quantità di risoluzione compensa.

L’output è testo semplice: le parole, in ordine di lettura, con interruzioni di riga. Non ci sono colonne, celle di tabella, intestazioni o posizioni sulla pagina, perché un file di testo non ha dove metterle.

Una lettera o una ricevuta sopravvive bene a questo. Una pagina a due colonne si intreccia, perché il riconoscitore legge attraverso qualunque cosa assomigli a una riga. Una tabella di numeri collassa in una sequenza di cifre senza colonne, e un modulo finisce con etichette e valori adiacenti in modi difficili da districare. Per quelli, fotografare una sezione alla volta dà qualcosa che si può effettivamente usare.

Le righe vuote tra i paragrafi sono lasciate come sono, e le righe che sembrano una singola frase spezzata a video non sono unite. È deliberato invece che incompiuto: entrambe queste ripuliture sono ipotesi sul layout, e una poesia, un blocco di indirizzi e una tabella perdono significato quando le loro interruzioni di riga vengono riorganizzate.

Quindi il file che si scarica è ciò che è stato letto, e ogni riformulazione è una decisione da prendere in un editor dove si possono vedere entrambi. È l’ordine corretto — un convertitore che silenziosamente riformatta un documento è molto più difficile da fidarsi di uno che consegna esattamente ciò che ha trovato.

L’immagine non viene mai caricata. E nemmeno, e qui c’è stato un lavoro deliberato, qualcos’altro: la libreria di riconoscimento prende il suo script worker, il core WebAssembly e il modello di lingua da una CDN di terze parti a meno che ogni singolo di quei percorsi non sia sovrascritto, e tutti e tre sono serviti da questo sito invece.

La distinzione conta più di quanto sembri a prima vista. L’immagine non sarebbe uscita comunque, ma chi legge una busta paga non dovrebbe avere il fatto annunciato a una rete di contenuti insieme al proprio indirizzo e alla pagina su cui si trova. Un test fa fallire la build se uno di quegli URL di terze parti ricompare, e la prosa è indulgente mentre i numeri non lo sono — una cifra sbagliata in un importo o in un riferimento è indistinguibile da una giusta, e l’abitudine utile è controllare ogni cifra sull’immagine prima che il testo vada da qualche parte.

I modelli qui sono addestrati su tipo stampato, e il tipo stampato è ciò che leggono bene: caratteri puliti, dritti, ragionevolmente dimensionati in un carattere comune tornano quasi perfetti. I caratteri decorativi insoliti, la stampa molto piccola e il corsivo pesante costano tutti in accuratezza, e una stampa sbiadita o una fotocopia di quinta generazione ne costa parecchia.

La scrittura a mano non è una questione di grado. Note in corsivo, una firma, un importo scarabocchiato su una ricevuta o un modulo compilato a mano produrranno un output che sembra parole e non corrisponde a nulla. Se la parte preziosa dell’immagine è scritta a mano, la risposta onesta è digitarsela da soli e usare la conversione per le parti stampate attorno, e ogni OCR andrebbe preso come una bozza, non una trascrizione.