GIF を TXT に変換

文字が読めるほとんどの GIF はスクリーンキャプチャーです。古いスクリーンショットツールは既定で GIF を使い、フォーラムのソフトはアップロードを GIF に変換し、Wiki やバグトラッカーはほとんど何も受け付けなくても GIF だけは受け付け、この 20 年のサポートチケットの多くにはエラーダイアログの GIF が添付されています。

この歴史があるからこそこの変換には価値があり、同時にスキャンを読むより難しい理由でもあります。GIF として保存されたスクリーンショットは、PNG として保存されたものにはないパレット削減を経ており、文字はその影響をもっとも受けやすい内容です。

文字認識エンジンはファイルを直接読み、その公式ドキュメントに記載された対応形式には、アニメーションでない GIF が含まれています。スクリーンショット、キャプチャーされたダイアログ、GIF として保存されたスキャンページ——それらはすべて読める範囲に入り、このサイトの側で先にデコードする必要もありません。

アニメーションする GIF はその範囲の外にあります。どのフレームが使われるか、そもそもファイルが読めるかを推測するより、正直な方法は 1 手順増やすことです。GIF を PNG に変換すれば最初のフレームが取り出されるので、その PNG をこのツールに通してください。欲しい文字が最初のフレームになければ、画像編集ソフトで先にそのフレームを取り出してください。

画面上の文字はアンチエイリアスされています。すべての字形の輪郭は中間の濃淡で描かれ、ストロークがなめらかに見えるようになっています。GIF は最大でも 256 色しか扱えないので、スクリーンショットがそのパレットに縮減されると、真っ先に犠牲になるのがその中間の濃淡です。もっとも近い色に置き換えられるか、2 色の市松模様にディザリングされます。

文字認識は各字形の形をこれまで学習してきたものと比較して働くので、交互の画素で縁取られたストロークは、なめらかな階調で縁取られたストロークとは違う形になります。これが、GIF のスクリーンショットが同じスクリーンショットの PNG より少し読み取り精度が落ちる主な理由で、GIF を拡大してから通しても助けにならない理由でもあります。ディザリングされた輪郭を拡大しても、大きなディザリングされた輪郭になるだけです。

このサイトの他のすべての画像変換は、まず画像を生の画素へデコードしてからそれをもとに作業します。これはあえてそうしていません。ファイルは手を加えずにそのまま渡されます。文字認識エンジンは独自の読み込み処理を持っており、無理にキャンバスを経由させると透明な部分が黒く平坦化されてしまうからです。

白い紙のスキャンでは、この 1 点の違いが、読める文書と黒い長方形の違いになります。GIF が透明な背景を持っているなら知っておく価値があります。ファイルがそのまま渡されるので、文字認識エンジンが見るのは、透明度も含めてファイルそのものの中身です。

用意されている言語モデルは 4 つ——英語、ドイツ語、フランス語、スペイン語です。この設定は自動検出ではなく選択によるものです。検出そのものが推測であり、間違った検出は見た目には気づけないからです。

間違った言語を選んでも失敗にはなりません。それらしく見える単語が、間違った言語で、モデルが持つ語彙の中の形へ写し取られて出てきます。これがこのツールの中でもっとも危険な失敗の形です。出力の見た目がすべて正常に見えるからです。結果が、画像に見える内容の下手な翻訳のように読めるなら、まず確認すべきは言語の設定です。

戻ってくるのは文字認識エンジンがブロックの間に見た空行を含む行の羅列で、それ以外の処理は一切行われません。空行を詰めることも、1 つの文が折り返されているように見える行を結合することも、段組みを組み直すこともありません。

そうした整形はどれもレイアウトについての推測です。詩や住所の羅列、コードの例、表はどれも、改行が並べ替えられると意味を失います。このツールには、いま見ているのがそのどれなのか判断する手段がありません。改行に手を加えないでおけば、表のスクリーンショットは列が混ざった状態で返ってきますが、それは不便でも直せます。並べ替えられた住所と違って。

文字認識エンジンの起動には、数メガバイトの WebAssembly のダウンロードとコンパイル、それに続く言語モデルの読み込みが必要です。それが読み取りが始まる前の数秒の待ち時間で、このツールがサイトの中でも際立って遅い理由です。

それは 1 回だけです。モデルは最初の実行後に手元の機械にキャッシュされます——ローカルストレージだけで、共有はされません——ので、2 枚目の GIF はほぼ即座に始まり、20 枚のバッチでも起動コストは 1 回だけで済みます。言語を切り替えると別のモデルが読み込まれるので、英語のファイルはまとめて処理する価値があります。

基本的には手書き文字です。斜めに傾いた文字、ごちゃごちゃした背景の上の文字、ストロークが 1 画素幅しかないほど小さくレンダリングされた文字、装飾的な書体の文字は、どれも数文字の誤りから完全な意味不明まで、さまざまな程度の誤りを生みます。

もう 1 つ名指しておく価値があるのが、スクリーンショットを撮ったあとに縮小された GIF です。スクリーンショットのサイズを半分にすると、どんな文字認識エンジンも復元できない形で字形が壊れます。フォーラムの容量制限に合わせて画像をリサイズする人は非常に多いので、これはよくあることです。元のキャプチャーに戻る手段があるなら使ってください。この変換はリサイズが削ったものを取り戻せません。

文字認識エンジンとその WebAssembly のコア、すべての言語モデルは、公開の CDN からではなくこのサイト自身から配信されます。これはあえて手を加えた部分です。このライブラリの既定の動作は 3 つすべてを他所から取得することだからです。重要なのは画像そのものではありません——画像はどのみち外に出ません——重要なのはそのリクエストが発生するという事実です。

給与明細や診断書、私的な会話をスクリーンショットから読み取っている人が、その事実を、いま見ているページの URL とともに第三者に知らせることになってはいけません。文字認識はブラウザーの中で行われ、アカウントは不要で、テキストが保存されることもありません。