ConvertBox Logo
ConvertBox

ブラウザ上のファイルツールはアップロードなしでどう動くのか

ブラウザのツールは、選択されたファイルを読み込み、タブのメモリ内で処理し、アップロードなしで結果を返すことができます。その代わり、メモリと処理能力は自分の端末が負担するため、大きな動画が最も難しいケースになります。

ConvertBox公開

どこにも送らずにファイルを読み込む仕組み

Webページでファイルを選択するか、ページ上にドロップすると、ブラウザはページにFileオブジェクトを渡します。これはディスク全体ではなく、その1つのファイルへのハンドルです。ページのスクリプトはFile APIを通じて、そのバイト列をメモリに読み込めます。この段階にネットワークは一切関わりません。アップロードとは、スクリプトがそのバイト列をサーバーへのリクエストに載せるという、別個の明示的な行為です。クライアントサイドのツールは、そのリクエストをそもそも行いません。メモリ上でバイト列を処理し、結果をBlobに包み、一時的なオブジェクトURLとして差し出すと、ブラウザが通常のダウンロードと同じように保存します。

これは信じるのではなく、確かめることができます。ブラウザの開発者ツールを開き、ネットワークタブに切り替えて変換を実行してみてください。ローカルで動くツールなら、ファイルを運ぶリクエストは現れません。

エンジン:WebAssembly、Canvas、JavaScriptライブラリ

実際の処理を担うのは3種類の仕組みです。WebAssemblyは、ブラウザがJavaScriptと同じサンドボックスの中でネイティブに近い速度で実行するコンパクトなバイナリ形式で、長年使われてきたCやC++のプログラムをWeb向けにコンパイルできるようにします。Canvasはブラウザ自身の描画面で、画像をデコードし、新しいサイズで描き、ピクセルを再びエンコードできます。重い計算なしに構造を編集できる形式は、通常のJavaScriptライブラリが担当します。

知っておきたい副作用が1つあります。キャンバスが保持するのはピクセルだけなので、この方法で再エンコードした画像はメタデータを失います。たとえばConvertBoxの画像圧縮ツールは、GPSの位置情報を含むメタデータを削除し、長辺が1920ピクセルを超える画像をそのサイズまで縮小します。

作業技術起きていること
動画・音声の変換WebAssemblyにコンパイルしたFFmpegストリームがタブ内でソフトウェア処理によりデコード、再エンコードされる
PDFの暗号化と復号WebAssemblyにコンパイルしたqpdf文書の内容がユーザーのパスワードで暗号化または復号される
画像の圧縮とリサイズCanvas画像がデコード、拡大縮小され、JPEG、PNG、WebPのいずれかに再エンコードされる
PDFの結合と分割JavaScriptのPDFライブラリページオブジェクトが再レンダリングなしで新しい文書にコピーされる
背景の削除、OCRWebAssemblyで動かすニューラルネットワークのモデルモデルが手元のプロセッサでピクセルを解析する

メモリ:ブラウザのタブにとっての本当の限界

ネイティブのプログラムは、大きなファイルをディスクから少しずつ読みながら処理できます。ブラウザのツールはたいてい入力全体をメモリに置き、その隣に出力を置き、中間的な形まで持つことも珍しくありません。圧縮されたファイルはデコードすると膨らみます。3 MBの1200万画素の写真は4000 × 3000ピクセルで1ピクセル4バイトなので、キャンバスに描くと48 MBになります。ブラウザが許す以上のメモリを要求したタブは失敗し、スマートフォンではシステムがページを再読み込みしてしまうこともあります。

したがって、こうしたツールのアップロード上限は恣意的な決まりではなく、メモリの予算です。ConvertBoxの場合、PDFの結合は1ファイル100 MBまでで、すべての元ファイルを増えていく出力と一緒にメモリに保持します。動画変換ツールは50 MBを超えるファイルを受け付けません。動画圧縮ツールは500 MBまで受け付けますが、それほど大きなファイルはスマートフォンやメモリの少ないノートパソコンでは失敗することがあると案内しています。スマートフォンで失敗した作業が、RAMの多いデスクトップでは通ることがあります。

速度は端末しだい、そして動画が最も難しい

処理するのは手元のプロセッサなので、同じページでも新しいノートパソコンでは速く、古いスマートフォンでは遅くなります。ほとんどの作業では気になりません。PDFのページをコピーしたり、写真を1枚再エンコードしたりするのは一瞬です。認識や領域分割のモデルはそれより重く、動画のエンコードは桁違いに重くなります。毎秒30フレームの1080p動画1分は、約200万ピクセルのフレーム1,800枚にあたり、その1枚1枚をデコードし、動きを解析し、再び圧縮しなければなりません。

ネイティブのエンコーダーは、手作業で最適化されたプロセッサ命令と、グラフィックスチップに内蔵されたハードウェアエンコーダーを頼りにしています。WebAssembly上のFFmpegはサンドボックスの中でソフトウェア処理として動き、そのどちらも十分には使えないため、ネイティブ版よりはるかに遅くなります。ConvertBoxの動画圧縮ツールはx264のmediumプリセットで再エンコードします。圧縮効率は高いものの、時間がかかります。短いクリップなら現実的ですが、長時間の録画を丸ごと処理するのは現実的ではありません。

初回のダウンロード:エンジンとモデル

ローカルで処理するからといって、ページが最初からすべてそろった状態で届くわけではありません。大きなエンジンはツールが必要としたときに初めて取得されるため、初回の実行では逆方向のかなり大きなダウンロードが発生することがあります。ファイルが出ていくのではなく、コードとモデルが届くのです。FFmpegのコアはおよそ30 MBあります。ConvertBoxの背景削除ツールは、ボタンを初めて押したときに領域分割モデルとランタイムをライブラリの公開コンテンツ配信ネットワークから取得するので、その回はネットワーク接続が必要で、時間も長くかかります。OCRには、言語ごとに別々に学習されたモデルが必要です。

その後は通常ブラウザのキャッシュがこれらのファイルを提供するため、2回目は速く始まります。従量制のモバイル回線では、ファイルそのものは送信されなくても、初回の動画処理や背景削除には通信量がかかることを知っておくとよいでしょう。

「オフラインで動く」の意味と、ローカルではない2つの機能

ツールのページとエンジンが読み込まれたあとは、処理に接続は必要ありません。オフラインという主張のうち正しいのはここまでです。だからといってWebサイトがインストール型のアプリになるわけではありません。ページを開いたり再読み込みしたりするにはネットワークが必要で、まだキャッシュされていないエンジンは接続なしには取得できません。そのツールを事前に読み込んでおかない限り、電波の届かない場所でブラウザのツールを当てにするべきではありません。

また、すべての機能がローカルで完結するわけでもなく、何も端末の外に出ないと一括りに言えば誤りになります。ConvertBoxでは2つの機能がデータを外部に送ります。テキスト読み上げで音声をダウンロードすると、テキストがサイトのサーバーを経由してオンラインの音声サービスに送信され、そのサービスが音声を返します。端末にインストールされた音声で再生するだけなら送信されません。音声の文字起こしはブラウザの音声認識に依存しており、一部のブラウザはそれをオンラインで実行します。Chromeは取り込んだ音声をGoogleの音声サービスに送ります。機密性のあるテキストや録音は、この2つの経路に通さないでください。それ以外のツールは、上で説明したとおりブラウザ内でファイルを処理します。

デスクトップアプリやサーバー側のサービスが適している場合

ファイルが機密で、作業が小規模から中規模で、ソフトをインストールするほどでもないときは、ブラウザでの処理が向いています。向いていない場面もはっきりしています。

  • 長時間または高解像度の動画、HEVCやAV1での出力、ハードウェアアクセラレーションによるエンコードが必要な場合は、HandBrakeやネイティブ版FFmpegなどのデスクトップのエンコーダーを使います。
  • タブに収まらない大きさのファイルや、数百ファイルの一括処理には、ディスクからストリーミングしながら無人で実行できるデスクトップソフトを使います。
  • 印刷解像度でのPDFレンダリング、PDF内の画像のダウンサンプリング、髪の毛が重要な切り抜きでの手動マスクなど、細かな制御が必要な場合は、専用の編集ソフトが1画面のツールにはない設定を備えています。
  • 端末の性能が低く、ファイルが機密でない場合は、サーバー側のサービスが計算を別の場所で行ってくれます。その代わり、アップロードの時間がかかり、ファイルが他者のマシンに置かれます。
  • レビュー用リンクやチームのストレージのように複数人で共有する作業には、そもそもサーバーが必要です。

このガイドで扱ったツール

関連ガイド

ガイド一覧