Vyrůstal jsem s časopisem Kaskáda. Než existoval YouTube, než jsme na internetu našli všechno – tento časopis byl jedním z prvních pravidelných zdrojů informací, které jsem získal o žonglování, cirkusu a představeních.
Když časopis v roce 2013 skončil, připadalo mi to jako konec jedné éry – alespoň pro mě.
Několik let byly časopisy ještě ke stažení ve formátu PDF, ale přibližně od roku 2017 šla stránka do offline režimu.
Často jsem si vzpomínal na malé workshopy, tutoriály nebo články, které mě tehdy inspirovaly. Když jsem o několik let později chtěl něco znovu přečíst – už to nebylo možné.

S pomocí Wayback Machine (The Internet Archive) jsem naštěstí našel zálohu z roku 2017 s kompletními staženími (což není vždy samozřejmostí, zvláště když šlo o přibližně 3 GB PDF souborů) – kompletní s německým, anglickým a francouzským vydáním.

Při procházení jsem si uvědomil, že ačkoli bylo v časopisech ukryto mnoho skvělých článků a tutoriálů, v dnešní době by už asi málokdo procházel 112 časopisů, které jsou jen zkopírované. No, pokud nemá nostalgický zájem =P

Protože je ale škoda toho vědění, chtěl jsem se pokusit pomocí současné techniky vše digitalizovat tak, aby to bylo smysluplně využitelné i dnes.

Nejprve jsem ze všech stránek PDF odstranil ty, které neobsahovaly relevantní texty.

Pro samotný přepis (nebo OCR) jsem použil multimodální jazykový model od Googlu.
Používám Gemini 2.0 Pro Experimental 02-05 s promptem:

The attached PDF is a photocopy of a magazine. Extract all text, keep the document structure intact as much as possible, also extract single images and have them correctly in context.

Výstup je následně vyčištěn pomocí gemini-2.0-flash-exp a následujícího promptu (spolu s připojeným textem, který jsme extrahovali):

The following text is extracted with OCR from an old magazin. Your task is to clean this up. Remove artifacts (like page-numbering, unneccessary linebreaks) or unneeded parts but keep the structure, articles etc. intact. Use a proper Markdown formatting to structure the text correctly.

Text:

Výsledek je pak ještě jednou ručně zkontrolován a opraven.

[!Danger]+ Důležité:
Zaměření bylo na extrahování článků, workshopů, rozhovorů atd.
Příspěvky jako např. inzeráty atd. jsem zamítl.
Extrahování a čištění textů proběhlo pomocí LLM, takže vždy existuje možnost, že texty nebyly přepsány 1:1 nebo se obsah mírně liší od originálu. Snažil jsem se minimalizovat chybovost tím, že jsem namátkově porovnával textové úseky.

Kaskáda 002:
V původním německém PDF jsou výtisky 2 a 3 spojené.

Kaskáda 003:
V původním německém PDF se zde nachází výtisk 004.

Kaskáda 004:
Zde chybí titulní strana, zatím jsem nezjistil, k čemu patří...
Vypadá jako kopie výtisku 009, bez titulní strany.

Oprava:
Rozdělil jsem PDF Kaskády 002 (originál) na 002 a 003.
Přejmenoval jsem Kaskádu 003 (originál) na Kaskádu 004.
A smazal Kaskádu 004 (originál).