Tesseract OCR

Что он делает

Открытие файла

Откройте файл .idx, .sub или .sup, как любой файл субтитров. Subtitld видит, что субтитры в нём — изображения, и спрашивает, на каком они языке: Tesseract распознаёт лучше, когда знает язык. В .idx у VobSub язык обычно указан, и Subtitld выбирает его за вас; в .sup его нет никогда, так что проверьте. Затем нажмите Распознать.

Полоса показывает ход распознавания, а закрытие окна его останавливает. Субтитры, в которых Tesseract не уверен, распознаются второй раз с обращёнными цветами — это помогает на дисках, где тёмные буквы нарисованы со светлым контуром. Когда всё готово, субтитры открываются в редакторе, как любые другие.

Без дополнения Subtitld сообщает, что субтитры — изображения и что их распознаёт это дополнение.

Субтитры внутри видео

В панели Импорт выберите Subtitles in the video. С установленным дополнением можно выбрать и дорожки Blu-ray (PGS) и DVD (VobSub) из видео: они отображаются как изображения, распознаёт Tesseract OCR. Если в видео есть оба вида, предпочтение по-прежнему отдаётся текстовым дорожкам.

Субтитры DVB (из записей ТВ) и XSUB (из некоторых файлов DivX) пока распознать нельзя.

Модели

Tesseract распознаёт с одной моделью на язык из набора tessdata_fast проекта Tesseract: это быстрые модели, от 1 до 12 МБ каждая. Английская входит в дополнение. Все остальные языки загружаются в общий кэш моделей Subtitld, когда субтитр на них распознаётся впервые, из закреплённой версии tessdata_fast, и каждый файл проверяется по своему отпечатку. При обновлении или удалении дополнения они сохраняются.

Настройки

В разделе «Настройки › Дополнения › Tesseract OCR» нажмите «Настроить».

Языки

Более ста, включая латиницу, кириллицу, греческое, арабское, еврейское, индийские, китайское, японское и корейское письмо. Для китайского есть две модели, упрощённая и традиционная: для zh-TW и zh-HK Subtitld выбирает традиционную. Сербский, азербайджанский и узбекский, которые пишутся двумя алфавитами, распознаются в привычном алфавите, если язык не указывает другой.

• af
• am
• ar
• as
• az
• be
• bg
• bn
• bo
• br
• bs
• ca
• ceb
• chr
• co
• cs
• cy
• da
• de
• dv
• dz
• el
• en
• eo
• es
• et
• eu
• fa
• fi
• fil
• fo
• fr
• fy
• ga
• gd
• gl
• gu
• he
• hi
• hr
• ht
• hu
• hy
• id
• is
• it
• iu
• ja
• jv
• ka
• kk
• km
• kn
• ko
• ku
• ky
• la
• lb
• lo
• lt
• lv
• mi
• mk
• ml
• mn
• mr
• ms
• mt
• my
• ne
• nl
• no
• oc
• or
• pa
• pl
• ps
• pt
• qu
• ro
• ru
• sa
• sd
• si
• sk
• sl
• sq
• sr
• su
• sv
• sw
• syr
• ta
• te
• tg
• th
• ti
• to
• tr
• tt
• ug
• uk
• ur
• uz
• vi
• yi
• yo
• zh

Tesseract очень хорошо распознаёт чистые, простые субтитры. Хуже он справляется с мелким жирным шрифтом DVD, где одно-два слова могут выйти неправильно («net» вместо «not»): прочитайте субтитры, прежде чем ими пользоваться.

Платформы

Linux x86-64 (glibc 2.35 или новее, как в Ubuntu 22.04, Debian 12 и RHEL 9), macOS на Apple Silicon и Windows x86-64. Tesseract собирается из собственных исходников для каждой из них, и ничего дополнительно устанавливать не нужно. На каждой CI устанавливает дополнение так же, как Subtitld, и распознаёт им тестовые субтитры, одни из них на языке, который оно загружает.

Устранение неполадок

• networkНе удалось загрузить языковую модель. Проверьте подключение и откройте файл снова.
• unsupported_languageУ Tesseract нет модели для выбранного языка. Выберите язык в окне ещё раз; для незнакомого ему языка часто хорошо подходит родственный с тем же письмом.
• model_missingНе хватает файла, нужного дополнению. Переустановите его из панели Дополнения.
• oomКомпьютеру не хватило памяти. Закройте другие программы и распознайте субтитры снова.
• bad_paramsSubtitld запросил то, чего дополнение не понимает. Обновите оба.
• internalВнутри дополнения произошёл сбой; подробности в сообщении.

Лицензия

Подходит для коммерческой работы: дополнение, Tesseract и модели tessdata_fast распространяются по Apache-2.0, а Leptonica — по BSD. Распознанный текст принадлежит вам, но субтитры на диске принадлежат их авторам: используйте их так, как позволяет их лицензия.