WebP を TXT に変換

カメラやスキャナーから WebP が書き出されることはありません。これはウェブページ配信のための形式で、誰かが持っている WebP のほとんどは、サイトから画像を保存した結果です。だからこの変換は、ほかの認識ページより読者がかなり絞り込まれます。

保存される内容は、図やグラフ、価格表、比較表、引用、誰かが投稿したスクリーンショット、画像として掲載されたスキャン文書であることが多く、いずれも文字は見えているのに選択できません。読み取って戻す以外に、打ち直す以外の手段がありません。

ウェブ画像はページが必要とする大きさで配信されます。600 ピクセル幅で表示されているグラフは、だいたいその程度の大きさで保存されており、速度重視のページではさらに小さいこともあります。文字認識には 1 文字あたり十分なピクセル数が必要です。

ウェブ画像の結果がスキャンやスマートフォンの写真より大きくばらつくのは、ほぼこれが原因です。あとからファイルを拡大しても助けにはなりません。ピクセルは増えても情報は増えず、たいてい文字の輪郭がぼやけてかえって悪化します。

このページでいちばん役に立つ助言です。多くのサイトは同じ画像を複数の大きさで用意し、ページには最小のものを表示しています。画像を別タブで開く、あるいはページのソースコードでより大きな画像の参照を探すと、表示されているものの 2 倍から 3 倍の大きさが見つかることがよくあります。

ピクセル数が 2、3 倍になるだけで、崩れた読み取り結果とはっきり読める結果ほどの差が出ます。30 秒の手間で済み、このページのどんな設定よりも効きます。

出力は読み取り順のプレーンテキストです。グラフなら軸のラベルや系列名、数値は得られますが、どれがどれに属していたかという配置情報——それこそがグラフをグラフたらしめている空間的な関係——はプレーンテキストには表現できません。

それでも数値だけを拾いたい場合には十分役立ちます。グラフを再構成する用途には向いておらず、画像として掲載された表では、読み取るのと同じくらいの時間を列の組み直しに使うことになります。元データがどこかにあるなら、画像から読み取るよりそちらを探すほうが速く済みます。

認識は形をレターフォームと照合するだけで、何も理解しておらず、自信がなかった箇所を示す手段もありません。出力は間違いを含んでいても、流暢で完成された文章のように見えます。

ウェブページから保存した素材ではこれが特に効いてきます。価格、統計、日付、割合、出典——これらの中の一桁の誤読は、ざっと読んで見過ごされやすく、いちばん許されにくい誤りでもあります。引用する数値は必ず画像と突き合わせて確認してください。

認識処理は 1 つの言語の文字と語彙の中だけで動きます。違う言語を指定すると失敗を報告するのではなく、正解の入っていない候補の中からいちばん近いものを返すため、自信ありげな誤りとして出てきます。

ウェブ画像ではこれがよく起こります。翻訳サイトで読んでいるページや、海外のサイトのスクリーンショットは、端末の既定言語とは違うことが多いためです。説明のつかない奇妙な結果が出たら、まずここを疑ってください。

認識処理は開いているタブの中、あなたの端末の処理だけで行われます。画像はどこにも送られず、アカウントも日ごとの上限もなく、保存した画像のフォルダーを一度に処理できます。

これは第三者に渡したくない素材にも使えるということでもあります。社内ダッシュボードのスクリーンショット、非公開のグループで共有された文書、ログインが必要なページの内容——画像として保存されるものの多くはこうした種類です。