Convertire JXL in TXT

Ogni altra coppia sul sito prende un file e scrive lo stesso file in un’altra forma. Questa fa qualcosa di categoricamente diverso : guarda un’immagine e scrive ciò che pensa che l’immagine dica. Non c’è mappatura da un JPEG XL a un file di testo, perché un file di testo non può contenere un’immagine e un’immagine non contiene caratteri — solo forme che sembrano tali.

Questo è il motivo per cui l’output è etichettato come un’ipotesi piuttosto che un risultato. Un convertitore o funziona o solleva un errore ; un riconoscitore restituisce testo che sembra testo che corrisponda o meno alla pagina. Tutto quanto segue riguarda il restringere il divario tra queste due cose, e la singola abitudine più utile è leggere l’output contro l’originale prima di farci affidamento.

JPEG XL ha perso la battaglia del browser ma non ha perso ovunque, e i posti dove è sopravvissuto sono esattamente i posti dove vivono i documenti. Il registro elenca archiviazione e fotografia come suoi usi, e archiviazione è quello onesto : i progetti di digitalizzazione lo hanno scelto perché fa il lossless bene, contiene alte profondità di bit, e memorizza una pagina scansionata in meno byte di qualsiasi cosa della generazione PNG.

L’altra via comune è Apple. Safari ha supportato JPEG XL dalla versione 17, quindi un file salvato dal web su un Mac o un iPhone può atterrare come .jxl senza che nessuno lo scelga. In entrambi i casi la persona che finisce qui non ha scelto il formato — è stata consegnata una pagina di parole avvolta in un formato immagine, e vuole le parole.

Ogni altro percorso immagine sul sito decodifica prima il file in pixel. Questo non lo fa : il file va al motore di riconoscimento così com’è, perché quel motore ha il proprio caricatore e forzare l’immagine attraverso una canvas appiattirebbe la trasparenza in nero — il che su una scansione di carta bianca è la differenza tra leggibile e illeggibile.

La conseguenza è che il browser non fa parte di questo. Il file viene letto in byte grezzi e passato direttamente al riconoscitore, quindi gli unici decoder che possono agire su di esso sono i sei compilati nel motore di riconoscimento : BMP, JPEG, PNG, PBM, WebP e GIF non animata. JPEG XL non è tra questi, e nessun decoder JPEG XL esiste da nessuna parte nel core WebAssembly che questo sito serve.

Questa pagina una volta diceva che leggere un JXL dipendeva da quale browser si avesse, e nominava Safari come quello in cui funzionava. Era sbagliato, e vale la pena correggerlo apertamente piuttosto che silenziosamente : Safari ha visualizzato JPEG XL dalla versione 17, ma il riconoscitore non chiede mai al browser di visualizzare nulla, quindi Safari qui fallisce esattamente come Chrome. Nulla che si possa cambiare nel browser rende funzionante la versione in un passo.

Ciò che funziona è una conversione in più. Si porti il JXL in PNG su questo sito, poi si legga il testo dal PNG. Quel primo passo porta con sé il proprio decoder JPEG XL compilato in WebAssembly piuttosto che chiederne uno al browser, quindi gira uguale in Chrome come in Safari — che è la parte che vale la pena conoscere, perché è l’opposto di ciò che la vecchia formulazione implicava. PNG è il formato da scegliere per il file intermedio : è lossless, quindi ogni tratto di cui il riconoscitore ha bisogno sopravvive, mentre JPEG ricomprimerebbe le forme delle lettere senza beneficio. Il PNG è temporaneo — lo si cancelli una volta ottenuto il testo.

Inglese, tedesco, francese e spagnolo hanno modelli disponibili, e l’impostazione non è facoltativa in pratica. Il riconoscitore abbina le forme contro le forme delle lettere e il vocabolario di una lingua alla volta, quindi una pagina francese letta come inglese non produce un errore — produce spazzatura dall’aspetto fluente, perché ogni forma è stata abbinata alla cosa più vicina nel dizionario sbagliato.

Conta di più per i caratteri accentati e per il contenuto misto. Un documento tedesco con termini tecnici inglesi dentro si legge meglio con il tedesco selezionato che con uno dei due indovinato, perché il modello sta scegliendo tra parole candidate tanto quanto tra lettere candidate. Lo si imposti prima di convertire ; non c’è modo di dire dopo, dall’output da solo, che fosse sbagliato.

Il riconoscimento ha bisogno di abbastanza pixel per carattere, e quella è la variabile che separa un risultato quasi perfetto da uno inutile. Una pagina scansionata a 300 dpi ne ha in abbondanza. Una fotografia di una pagina scattata da una scrivania, uno screenshot ridotto per entrare in un documento, o un’immagine che un’applicazione di chat ha ricompresso nel percorso potrebbero non averne.

Ingrandire l’immagine dopo non aiuta. Scalare in su aggiunge pixel senza aggiungere informazione e di solito peggiora il risultato ammorbidendo le forme delle lettere che il riconoscitore sta cercando di abbinare. Se un risultato torna scarso, la correzione è a monte : si scansioni a risoluzione più alta, si fotografi la pagina più vicina e perpendicolare, o si trovi il file originale piuttosto che la copia che è stata passata in giro. L’angolo è l’altra metà dello stesso problema — una pagina scattata dall’alto di sbieco dà a ogni riga una leggera curva e a ogni carattere un leggero taglio, e il riconoscitore non ha un modello di prospettiva con cui annullarlo. Piatta su un tavolo, fotocamera parallela alla pagina, vale più di qualsiasi impostazione in questo modulo.

Un file di testo non ha colonne, celle, font o posizione. Ciò che si ottiene sono i caratteri che il riconoscitore ha trovato, nell’ordine in cui li ha letti, e questa è una vera perdita di struttura piuttosto che una preferenza di formattazione. Una tabella torna come una corsa di valori senza le sue colonne, una pagina a due colonne può intrecciare le sue righe, e un’intestazione arriva come una riga ordinaria come qualsiasi altra.

Le interruzioni di riga sono lasciate esattamente come sono state viste, senza alcun tentativo di unire righe a capo o di comprimerne di vuote. Sembra disordinato ed è deliberato : una poesia, un blocco di indirizzi e una tabella perdono tutti significato quando le loro interruzioni di riga sono riordinate, e un convertitore non ha modo di dire quale di quelli sta guardando. Ciò che il riconoscitore ha visto è ciò che si ottiene.

Il fallimento caratteristico non è un pasticcio confuso, che si noterebbe. È una singola sostituzione plausibile in un numero o un nome — un 5 letto come una S, un 1 letto come una l minuscola, uno zero letto come una O maiuscola — dentro un paragrafo che altrimenti è perfetto. I numeri di riferimento, i dettagli del conto, le date e i prezzi sono dove questo fa danni reali, perché sono esattamente le stringhe senza contesto per correggerli.

Quindi la regola operativa è correggere le bozze di qualsiasi cosa sarà oggetto di un’azione piuttosto che letta. Scorrere un paragrafo recuperato per senso coglie i fallimenti ovvi ; controllare un codice di ordinamento carattere per carattere è l’unica cosa che coglie quello pericoloso. Il codice e le righe di comando portano lo stesso pericolo in una forma più marcata, perché i caratteri che contano di più lì sono quelli che si assomigliano — la cifra uno contro una l minuscola contro una pipe, zero contro la O maiuscola — e un’errata lettura produce qualcosa che sembra corretto e non gira. Il riconoscitore non ha nozione di confidenza che possa restituire, e quel limite appartiene a questa pagina piuttosto che a una nota a piè di pagina.

Il riconoscimento del testo è di gran lunga il motore più lento qui. La prima conversione deve anche recuperare il core WebAssembly e il modello di lingua prima di poter iniziare, quindi l’esecuzione iniziale sembra considerevolmente peggiore di quelle dopo — il modello resta caricato per il resto della sessione.

La barra di progresso tiene deliberatamente traccia solo del riconoscimento stesso piuttosto che del download e dell’inizializzazione, perché una barra che si riempie fino al pieno mentre nulla è stato letto e poi resta ferma è peggio di una che inizia tardi e significa qualcosa. Una singola pagina richiede secondi. Una cartella di esse richiede secondi ciascuna, in sequenza, sul vostro processore.

Se il documento ha avuto origine come PDF con uno strato di testo, non si fotografi o esporti e si riconosca l’immagine — si estragga il testo direttamente dal PDF. È un’estrazione esatta piuttosto che un’ipotesi, e mantiene ogni carattere che l’autore ha digitato. Il riconoscimento è per il caso in cui non esiste alcuno strato di testo, che è qualsiasi scansione e qualsiasi fotografia.

E se si ha bisogno dell’immagine piuttosto che delle parole — per archiviarla, stamparla, inviarla a qualcuno — questa è la pagina sbagliata del tutto. Il riconoscimento del testo getta via tutto ciò che non è un carattere, incluso il layout, le firme, i timbri e le fotografie. Si converta l’immagine come immagine, e si usi questo solo quando ciò che si vuole effettivamente è qualcosa da incollare. La pagina del riconoscimento vive nella scheda : il motore, il core WebAssembly e i modelli di lingua sono serviti dall’origine di questo sito e non da una CDN pubblica, quindi una scansione privata è elaborata interamente sulla propria macchina, senza nulla da cancellare dopo.