Tesseract OCR
Otevře titulky z DVD a Blu-ray, které jsou obrázky, ne text, tak, že slova v nich přečte Tesseract 5.5. Jejich časy a pozice zůstanou, jak byly, a text můžete upravit, přeložit a uložit v jakémkoli formátu. Běží na procesoru vašeho vlastního počítače, offline, ve více než stovce jazyků.
Nastavení Doplňky Tesseract OCR Instalovat
Subtitld ho stáhne, ověří jeho SHA-256 a bude ho udržovat aktuální.
- Jazyky
- 108
- Modely
- 2
- Stažení doplňku
- 13–22 MB
- RAM, alespoň
- 256 MB
Vyžaduje novější Subtitld. Doplněk je v katalogu, ale čtení obrázkových titulků přichází s vydáním po Subtitld 26.10. Subtitld 26.10 ho umí nainstalovat, ale nic s ním nedělá.
Co dělá
DVD a Blu-ray nesou titulky jako obrázky: VobSub (.idx a .sub) a PGS (.sup). Subtitld každý z nich vytáhne ze souboru a Tesseract přečte jeho slova, takže dostanete běžné titulky k úpravám.
Každý titulek si ponechá začátek a konec svého obrázku. Titulky zobrazené nahoře na obrazovce zůstanou nahoře.
Stopy obrázkových titulků v MKV nebo jiném videu se čtou stejně, z panelu Import.
Žádná grafická karta a žádný internet, jakmile je jazyk stažený. Zhruba tisíc titulků jednoho filmu trvá asi minutu.
Otevření souboru
Otevřete soubor .idx, .sub nebo .sup jako kterýkoli jiný soubor s titulky. Subtitld pozná, že jeho titulky jsou obrázky, a zeptá se, v jakém jsou jazyce: Tesseract čte lépe, když to ví. Soubor .idx u VobSub obvykle svůj jazyk uvádí a Subtitld ho vybere za vás; .sup to nedělá nikdy, takže ho zkontrolujte. Pak klikněte na Číst.
Průběh čtení ukazuje pruh a zavřením dialogu se čtení zastaví. Titulky, kterými si Tesseract není jistý, se přečtou podruhé s obrácenými barvami, což pomáhá u disků, které kreslí tmavá písmena se světlým obrysem. Po dokončení se titulky otevřou v editoru jako jakékoli jiné.
Uložení zapíše nový soubor, jako .usfx, nebo v jakémkoli formátu z Export. Otevřený soubor .idx, .sub nebo .sup se nikdy nezmění.
Bez doplňku Subtitld oznámí, že titulky jsou obrázky a že je čte tento doplněk.
Titulky uvnitř videa
V panelu Import zvolte Subtitles in the video. S nainstalovaným doplňkem lze vybrat i stopy videa z Blu-ray (PGS) a DVD (VobSub): zobrazí se jako obrázky, čte Tesseract OCR. Pokud má video obojí, mají textové stopy dál přednost.
Titulky DVB (z televizních nahrávek) a XSUB (z některých souborů DivX) zatím číst nelze.
Modely
Tesseract čte s jedním modelem na jazyk, ze sady tessdata_fast projektu Tesseract: rychlými modely, každý o velikosti 1 až 12 MB. Angličtina je uvnitř doplňku. Každý jiný jazyk se stáhne do sdílené mezipaměti modelů Subtitld, když se v něm poprvé čte titulek, z pevně dané verze tessdata_fast, s každým souborem ověřeným proti jeho otisku. Aktualizace nebo odstranění doplňku je ponechá.
| Model | Stažení | Vhodné pro |
|---|---|---|
| English (tessdata_fast) Výchozí eng | Angličtina, součást doplňku | |
| Other languages (tessdata_fast, one file per language) tessdata_fast | Každý jiný jazyk, po jednom souboru, stažený, když ho titulek poprvé potřebuje |
Možnosti
V Nastavení › Doplňky › Tesseract OCR › Nastavit.
Tesseract čte uvozovky jako typografické. Zapnuto, stanou se z nich rovné, jak je píše většina souborů s titulky; vypněte, chcete-li je ponechat typografické.
Jazyky
Více než sto, včetně latinky, cyrilice, řeckého, arabského, hebrejského, indických, čínského, japonského a korejského písma. Čínština má dva modely, zjednodušený a tradiční: Subtitld pro zh-TW a zh-HK vybere tradiční. Srbština, ázerbájdžánština a uzbečtina, které se píší dvěma písmy, se čtou v tom obvyklém, pokud jazyk neuvádí to druhé.
afamarasazbebgbnbobrbscacebchrcocscydadedvdzeleneoeseteufafifilfofrfygagdglguhehihrhthuhyidisitiujajvkakkkmknkokukylalbloltlvmimkmlmnmrmsmtmynenlnoocorpaplpsptqurorusasdsiskslsqsrsusvswsyrtatetgthtitotrttugukuruzviyiyozh
Čisté, jednoduché titulky Tesseract čte velmi dobře. Hůř si vede s malým tučným písmem DVD, kde může slovo nebo dvě vyjít špatně ("net" místo "not"): titulky si před použitím pročtěte.
Platformy
| Systém | Stažení | Otestováno |
|---|---|---|
| Linux x86-64 | 21.6 MB | Přečteny soubory VobSub a PGS v Subtitld, na skutečném počítači a v CI |
| macOS (Apple silicon) | 18.0 MB | Přečteny testovací titulky v CI (Apple Silicon) |
| Windows x86-64 | 12.9 MB | Přečteny testovací titulky v CI |
Linux x86-64 (glibc 2.35 nebo novější, jako na Ubuntu 22.04, Debian 12 a RHEL 9), macOS na Apple Silicon a Windows x86-64. Tesseract se pro každou z nich sestavuje z vlastních zdrojových kódů a vedle něj není co instalovat. Na každé z nich CI nainstaluje doplněk stejně jako Subtitld a přečte s ním testovací titulky, jedny z nich v jazyce, který stáhne.
Řešení potíží
networkJazykový model se nepodařilo stáhnout. Zkontrolujte připojení a otevřete soubor znovu.unsupported_languageTesseract nemá model pro zvolený jazyk. Vyberte jazyk v dialogu znovu; pro jazyk, který nezná, se často dobře čte příbuzný jazyk se stejným písmem.model_missingChybí soubor, který doplněk potřebuje. Přeinstalujte ho z panelu Doplňky.oomPočítači došla paměť. Zavřete jiné programy a přečtěte titulky znovu.bad_paramsSubtitld požádal o něco, čemu doplněk nerozumí. Aktualizujte obojí.internalUvnitř doplňku něco selhalo; zpráva obsahuje podrobnosti.
Licence
Vhodné pro komerční práci: doplněk, Tesseract i modely tessdata_fast jsou pod Apache-2.0 a Leptonica pod BSD. Přečtený text je váš, ale titulky na disku patří tomu, kdo je vytvořil: používejte je tak, jak to dovoluje jejich licence.
Verze
- 26.11.1
The first release. Subtitld decodes DVD VobSub (.idx/.sub) and Blu-ray PGS (.sup) subtitles, and the picture tracks of videos, into one picture per subtitle; this add-on reads the text in each with Tesseract 5.5.4 (LSTM engine, tessdata_fast models). It reads several pictures at once, reports progress after each, and stops when cancelled.
English is included. Any of 100 other languages downloads the first time a subtitle needs it (1 to 12 MB each), checked against a pinned sha256. Straight quotes in place of curly ones are a setting.
Runs on the CPU, on Linux x86-64, Windows x86-64 and macOS on Apple Silicon. Needs a Subtitld that knows the ocr.recognize task.