此篇為軟體說明文件

教學文件請移駕至 ∮Ω奧米加空間∮»技術文件區»【原創】DVD 字幕轉 srt
https://omega.idv.tw/kdb120/viewthread.php?threadid=4806

IdxSubOcr: An application to OCR Vobsub (idx/sub) files in Chines, Japenese and English.

作者：馬健
郵箱：stronghorse_mj@hotmail.com
主頁：老馬的原創空間

FAQ
使用說明
    一、軟件安裝/刪除
    二、軟件使用
附錄A 關於OCR
附錄B 鳴謝
附錄C 版本更新記錄

FAQ

Q：IdxSubOcr是什麼？
A：這是一個專門用來OCR（光學字符識別）圖像格式字幕的軟件，能夠將idx/sub（DVD）、sup（藍光DVD）格式的字幕轉成utf-8編碼的srt格式，並提供srt格式校對 、字幕翻譯、字幕合併等輔助功能。OCR引擎為微軟Office 2003/2007所帶的Microsoft Office Document Imaging (MODI)，支持英文、簡體中文、繁體中文、日文 等21種語言。

Q：為什麼要開發IdxSubOcr？
A：目前已經有一些免費的字幕OCR軟件，英文的可以用Subresync，中文的可以用SubOCR。但是在使用了這些軟件後，我還是決定開發IdxSubOcr，理由如下：

  1. 希望能夠使用方便性方面有所改善。Subresync自帶的OCR引擎的識別率很棒，但是每次都要敲幾十個字母實在太麻煩；而且還不支持中文、日文字符。
  2. SubOCR實在太龐大，而且在某些機器上運行出錯。

Q：IdxSubOcr的識別效果如何？
A：目前能夠比較的相似軟件是Subresync和SubOCR，分別能識別英文和中文：

  1. Subresync有兩種識別方式：使用ocrdll的自動方式和缺省的手工方式。Subresync的識別率明顯優於使用ocrdll的自動方式，與缺省的手工方式大致相同，但是擊鍵次數大大減少，只有在碰到粘連在一起的字符才需要用戶手工辨識，而Subresync需要對每個字母先進行人工辨識。
  2. SubOCR目前支持簡體和繁體中文，繁體中文引擎的識別率優於簡體中文引擎。IdxSubOcr除中文外，還支持日文等21種語言的識別，識別率相當於SubOCR繁體中文引擎的識別率。

Q：IdxSubOcr在使用上有什麼要求？
A：IdxSubOcr的運行環境存在下列限制：

  1. 只能從硬盤上運行，不能從光盤等只讀設備上運行。
  2. 生成的srt文件採用utf-8編碼，某些太過古老的軟件可能不支持。
  3. 使用前需要安裝MODI OCR引擎，該引擎的獨立安裝包可以從我的網盤下載。 網盤地址在主頁的置頂帖中定期更新。

Q：IdxSubOcr收費嗎？
A：IdxSubOcr是一個「友情軟件」（Friendware），用戶在承諾不用於商業目的，也不對文件及其附件進行任何更改的條件下，不需要為使用該軟件負任何費用，最多是在某個討論區看到我發帖子灌水時（我的ID一般是strnghrs），進去捧個人場，作為友情回報；或者在年節時發個email問聲好（所以叫「友情軟件」）。我承諾絕不在程序中暗藏任何商業廣告、木馬，但不承諾為使用IdxSubOcr的後果承擔任何責任。如果您需要將它用於商業目的，或加入您的網站，請與我聯繫，否則保留追究一切責任的權利。

Q：「OCR前先加粗圖像」有什麼用？
A：有些字幕在文字周圍有其他顏色的邊框，在去掉邊框後，文字筆畫會變得太細，影響OCR質量。這時就可以選擇此選項，通過加粗文字筆畫，提高OCR識別率。但如果文字筆畫本來就不細，選擇此選項後可能會造成筆畫粘連，反而降低OCR識別率。
所以此選項沒有記憶功能，您如果覺得正常情況下OCR後的字幕錯別字太多，可以勾選「黑白圖像」功能，實際看一下黑白處理後字幕文字的筆畫是否過細，如果是就勾選此選項重新OCR一遍。

Q：影響OCR識別率的因素有哪些？
A：包括但不限於：

  1. OCR語言選擇錯誤。如字幕明明是繁體中文，選擇OCR語言時卻選擇簡體中文，能出來好的質量才真是有鬼。就我在網上看到的情況，很多抱怨本軟件OCR質量差的人犯的都是這個錯誤，因為不是人人都知道怎麼安裝繁體中文語言包的。
  2. 字幕圖像質量太爛。如果是筆畫太細，可以試試看勾選「OCR前先加粗圖像」。
  3. 中英文混雜，這個沒有辦法，是MODI OCR引擎（底層調用的是清華同方DLL）的事情。
  4. 文字出現斜體或其他花狸狐哨的變體，這個也沒有辦法，同樣是MODI OCR引擎的事情。

使用說明

一、軟件安裝/刪除

本軟件安裝非常簡單：創建一個目錄，用WinZip將下載下來的ZIP包解壓縮到該目錄即可。

本軟件的刪除也很簡單：直接刪除從ZIP包中解壓縮出來的所有文件及運行過程中生成的文件即可。

ZIP包中包括下列文件：

  1. IdxSubOcr.exe。這是軟件的主程序。
  2. IdxSubOcr.htm。本幫助文件。

如果您下載到的ZIP包中還包括其它文件，毫無疑問不是我放進去的，有廣告之嫌疑，請立即刪除。

另外程序運行過程中還會生成以下文件：

  1. IdxSubOcr.ini。這個是參數保存文件，第一次更改參數後生成。退出IdxSubOcr，刪除此文件，再重啟IdxSubOcr，即可恢復缺省參數。

二、軟件使用

（一）OCR字幕、校對

軟件的使用比較簡單：

  1. 點擊「打開字幕文件」按鈕，選擇需要OCR/校對的idx、sup文件。 或直接從資源管理器拖拽idx、sup文件打開。
  2. 在「操作選項」裡，選擇需要OCR/校對的字幕（只有idx/sub才需要選，sup沒得選）， 以及究竟是要OCR還是要校對。
    如果是OCR，需要選擇OCR語言及字幕文字顏色。注意這兩個選項直接關係到OCR效果，所以必須認真選擇：語言好說，顏色必須保證文字為實心字，空心字沒法識別。 如果字幕第一行為空，則文字顏色可能不能選擇，可以選擇字幕其他行，直到能夠選擇顏色。如果字幕不同行的顏色不一樣，可以選擇「自動選擇」。OCR識別結束後，自動進入校對模式。
    如果是校對，界面上方顯示字幕圖像，下方顯示文字，用戶可以直接對文字進行編輯。在編輯框中可以使用上下箭頭、PgDn、PgUp滾動。校對完成後，點擊「保存srt文件」按鈕存盤。
  3. 如果有必要，設置「毫秒分隔符」選項，即毫秒用小數點還是句號分隔。
  4. 如果有必要，勾選「OCR前先加粗圖像」，避免因為筆畫過細影響OCR質量。但如果文字筆畫本來就不細，勾選此選項後可能造成筆畫粘連，反而影響質量。

校對過程通常就是眼睛看著中部編輯框中顯示的文字，與上面的字幕圖像做對比，有錯別字就修改，沒錯別字或修改完成就按下箭頭鍵轉到下一條字幕。 按Ctrl+S可以保存字幕。

在校對過程中，可以用「輔助功能」進行輔助，包括：

  • 文本替換。通常用來替換OCR中的一些習慣性錯誤。
  • 英文句首字母大寫。某些英文字幕全是大寫，看起來比較費勁，用這個可以轉成小寫。
  • 繁體轉簡體。繁體中文字幕OCR後的結果是GBK編碼的繁體字，如果覺得麻煩，可以用這個功能轉換成GB編碼的簡體字。
  • 選擇文字顏色。如果選擇「黑白圖像」後顯示出來的字幕圖像是白板一塊，可以用這個重新選擇字幕文字顏色，實在攪不清就選擇「自動選擇」，慢點就慢點。

另外如果想改變已有srt文件中的毫秒分隔符，可以選擇「校對」，然後更改「毫秒分隔符」選項，再存盤即可。

如果字幕較長，一次校對不完，可以點擊「保存工程」（Ctrl+P）存盤，生成一個在srt文件之後加了擴展名.iop的工程文件（ini文件格式），存儲當前字幕編輯信息。下次再進來點擊「調入字幕」按鈕，選擇打開所保存的工程文件，即可自動打開字幕並定位到上次退出時正在編輯的條目。

（二）多語言字幕

在主界面上點擊「多語言」按鈕即可進入多語言界面。主要有以下功能：

  • 字幕翻譯：有些老電影找不到中文字幕，甚至連英文字幕也沒有，只能是先找一個能找到的語言字幕文件，然後用Google翻譯轉成英文，再用百度翻譯轉成中文。這裡面有一個問題：SRT文件不能直接提交給翻譯軟件，因為SRT裡有序號、時間等，不僅佔用翻譯的字符數，而且序號後面容易被翻譯軟件加尾巴。所以做了這麼一個功能，可以按照下列步驟實現字幕翻譯：
  1. 先把需要翻譯的SRT文件從資源管理器拖拽到多語言界面，點擊「導出」按鈕，把SRT文件導出成一個不含序號、時間的文本文件，字幕之間用空行分隔。
  2. 如果是用Google翻譯，可以先建一個空白文本文件，然後同時打開導出的文本文件、空白文本文件，從需要翻譯的文本文件中剪切一段（不超過5000字）貼到Google翻譯網頁，再把翻譯結果貼到新建的空白文件。重複這個過程直到翻譯完整個字幕文件。
  3. 如果是用百度進行英漢互譯，可以把文本文件轉成WORD文件，然後上傳到百度網站進行翻譯，翻譯結果再另存為utf-8編碼的文本文件。
  4. 如果有能力，就人工校對一遍機器翻譯結果，這個過程仍然可以借助百度翻譯等工具。百度翻譯對換行比較敏感，所以有時候把被斷行的句子合併成一行後再提交給百度翻譯，得到的結果可能就會大不一樣。
  5. 搞定譯文的文本文件後，再把原文的SRT文件拖拽到「多語言」主界面，勾選「導入覆蓋」，再把文本文件拖拽到「文本文件」框，點擊「導入」按鈕，這時可以看到時間軸不變，但文字都被替換成了文本文件中的。
  • 字幕合併。有些人比較喜歡中、英文字幕同時顯示，可以顯示成中上英下，也可以是英上中下。但一般的SRT文件都只有一種語言，如果要把兩種語言的SRT合併在一起，例如要把中、英兩種SRT合併成中上英下的SRT，可以按照下列步驟進行操作：
  1. 先把英文SRT拖拽到「多語言」界面，點擊「導出」按鈕，導出成文本文件。
  2. 把中文SRT拖拽到「多語言」界面。
  3. 不要勾選「導入覆蓋」選項。
  4. 把步驟1中導出的英文文本文件拖拽到「文本文件」框，然後點擊「導入」按鈕，把字幕合併到一起。
  5. 點擊「保存」按鈕保存合併後的字幕。

注意：

  1. 在導入時，是按照空行來切分文本文件中的字幕，所以請注意不要隨便更改導出的文本文件中的空行。
  2. 在字幕編輯框中，按PgDn、PgUp鍵可以翻到下一條、前一條字幕。
  3. 點擊「刷新」按鈕，相當於用當前SRT文件內容刷新列表（包括時間軸和文字），然後點擊了「導入」按鈕。

附錄A 關於OCR

OCR一直是我感興趣的一個問題，但是大多數成功的OCR產品都對自己的技術細節秘而不宣。我接觸的第一個開源OCR是gocr，一個在linux下大名鼎鼎的開源項目。從源代碼本身看，這個項目是真正按照OCR引擎的要求開發的，層次分解得很好，OCR該有的操作也都基本具備。但是在真正編譯、運行成功後，我也發現了一些問題：

  1. 源代碼的鏈表操作有問題，會產生內存洩露。一個如此有名的軟件會出現這樣的錯誤，多少有些出乎我的預料。雖然我嘗試著堵上了我能夠找到的漏洞，但是我絕對不敢保證我已經堵上了所有的漏洞。我發現的問題和我的解決方案都已經發給了gocr的作者，希望後續的版本能夠徹底解決這個問題。
  2. gocr原先的識別引擎是基於規則的，沒有任何訓練、學習能力。新的基於特徵數據庫的引擎似乎還不是很成熟，但是值得期待。
  3. 對斜體字的識別率實在令人掃興，但是偏偏現在很多字幕在顯示歌詞的時候喜歡用斜體字。不過這個問題可以通過增加糾偏過濾器來解決。

順著gocr網頁中的鏈接，我還找到了另外一個開源OCR項目——ocrchie。這個項目看起來最有吸引力的地方就是它的引擎具有學習能力，能夠在使用過程中不斷擴充特徵庫。不過在編譯、運行成功後，我也發現了一些問題：

  1. 內存洩露問題比gocr還嚴重，而且幾個鏈表交叉成網狀，想改都不知道從哪改起。
  2. 特徵定義是針對大字號的，小字號時字體變形嚴重，識別率很低，偏偏字幕文件全是小字。這個看一下源代碼中附帶的train.tif其實就該知道了，我居然在花了兩天時間改程序後才發現，有夠笨。

另外在研究Vobsub解碼idx/sub格式的同時，我也順便看了一下Vobsub的OCR部分。從源代碼看，Vobsub支持兩套OCR引擎：一個是Vobsub自帶的，一個是使用ocrdll。我自己的猜測：Vobsub一開始的時候可能用的是ocrdll，後來因為ocrdll開始收費，才開發了自己的OCR引擎。當然這個僅僅是我的猜測，實際情況我也不知道。

國內某些論壇上有帖子說：到SimpleOCR網站下載一個免費版SimpleOCR，安裝後將安裝目錄下的OCRDLL.DLL、DLLTWAIN.DLL、ENGLISH.WDC複製到subresync所在目錄，即可讓Vobsub自動識別，不再需要每次識別時敲字母。我自己的經驗是：

  1. 按照我google的結果，上述說法是從國外一個論壇帖子上翻譯過來的，有點老了。
  2. 以前可能確實可以在SimpleOCR網站上下載到帶OCRDLL.DLL的免費版SimpleOCR，但是如今已經沒有這樣的好事了，就算安裝了SimpleOCR，裡面也不會有OCRDLL.DLL。估計是從商業角度考慮，其作者更改了軟件接口。而且在他的努力下，現在網上已經找不到以前版本的SimpleOCR了，至少我沒找到。
  3. SimpleOCR的前身是wocr，這個是真正的免費軟件，接口也是公開的（Vobsub用的就是這個接口），現在在某些地方還能下載到。我比較過wocr 2.5和SimpleOCR 3.1所帶的ENGLISH.WDC文件，一個字節都不差。
  4. ocrdll不是Vobsub的缺省選項，因此即使將上述3個文件複製到subresync，在使用時還要勾選「Use ocrdll.dll」選項，才能自動識別。至於識別的效果……誰用誰知道！至少我自己不會在這個軟件的自動識別的基礎上進行校對，最多只是在校準idx/sub的時候作為選擇試聽點的參考。

至於Vobsub自帶的OCR引擎，這個可能是最精確的引擎：將需要識別的字符與學習樣本逐「像素」比較，因此識別率不是其它正常OCR可以比的。但是正因為它不是基於特徵的，因此學習的結果沒有辦法保存，只能每次開始識別前先學習一遍，好在英文字母數量有限，但是中文就絕對不能這麼玩 ，所以也不會有誰真的用Vobsub自帶的OCR引擎去識別中文。

由於目的比較明確，因此Vobsub自帶的OCR引擎實現比較簡單，不僅沒有其它引擎的特徵抽取過程，常見的去噪聲點、傾斜校正等功能也沒有，不過這些功能對字幕識別本來也沒有多大用處。

真正讓我對OCR重燃信念，是在我接觸到微軟Office 2003所帶的Microsoft Office Document Imaging (MODI)，這大概是目前唯一公開接口、支持多語言的商業級OCR引擎。奇怪的是，這麼好的東西在Office 2007的缺省安裝裡居然沒有，需要手工選擇安裝。

在用MODI開發了幾個OCR相關軟件（Pdg2Pic、TextForever、DjVuToy等）後，我開始嘗試用它來OCR字幕，因為字幕OCR有其特殊性：

  • 字幕中的文字通常都很小，其實Vobsub顯示的時候都是放大顯示，所以才會看到鋸齒。
  • 目前商用的OCR引擎，主要針對的是掃瞄文字，字體尺寸要比字幕的字體尺寸大很多，如果直接使用這樣的OCR引擎，識別率很難提升。

在經過大量的測試、改進後，目前IdxSubOcr在識別中文、日文方面效果不錯（可能與中文、日文的字體變化不大有關），但是識別英文的效果差了點。

由於在OCR引擎方面有一個漫長的摸索過程，因此IdxSubOcr的開發時間也較長：2005年底就開始，直到2008年初才完成。當時因為是年底，所以選了一個聖誕風格的icon，後來為了紀念，也就一直沒換。

附錄B 鳴謝

本軟件開發過程中引用了下列軟件的源代碼，在此對作者表示誠摯的謝意：

附錄C 版本更新記錄

Version 2.06
新增功能：「多語言」界面增加「刷新」按鈕。

Version 2.05
新增功能：多語言，可用於字幕翻譯、字幕合併（中上英下、英上中下）。

Version 2.04
新增功能：保存工程、調入工程，一次校對不完的字幕可以先保存，下次接著校對。
新增功能：按快捷鍵Ctrl+S可以保存字幕。
錯誤修正：在「操作選項」界面中，改變「手工選擇」的顏色，字幕顯示不會發生變化。

Version 2.03
功能增強：加大字幕編輯框的字號，免得看起來太累。

Version 2.02
錯誤修正：如果單條字幕字數太少，可能會造成OCR出錯中斷。

Version 2.01
功能增強：對於日語字幕中的豎排情況進行特殊處理，增強OCR識別能力。
功能增強：對於中日韓（CJK）語言中因為某條字幕字數太少導致識別為空的情況進行特殊處理。
功能修正：某些sup的相同字幕被合併，減少字幕條數。
功能修正：新增的除CJK和英文外的語言OCR準確性略有提高。
功能修正：拉高字幕顯示區域，以免某些豎排的字幕顯示不下。
錯誤修正：校對字幕時，某些字幕編號可能會出現跳躍。
錯誤修正：某些sup文件的時間軸不准。

Version 2.00
新增功能：能夠OCR藍光DVD的sup字幕，又稱HDMV Presentation Graphic Stream subtitles。
功能增強：發行版改為Unicode版，打不開外文文件名的idx、sup情況不會再出現。
功能增強：OCR支持21種語言，同時srt文件編碼從ANSI變成utf-8，以支持多語言OCR結果。
功能增強：在選擇字幕文字顏色時新增「自動選擇」選型，以對付那些顏色變來變去的字幕。
功能增強：對打開文件後的界面進行合併，減少界面切換的麻煩。
功能增強：增強OCR的容錯能力。
功能增強：放大界面字號，適應高分辨率屏幕；放大字幕圖像顯示區域，適應sup高分辨率圖像。
功能增強：在任務欄上顯示OCR進度。
新發行英文版本。

Version 1.15
錯誤修正：在Win 10下以管理員權限運行後，從資源管理器不能拖拽打開文件。而不以管理員權限運行，則在Win 10下OCR內容為空。

Version 1.14
功能增強：支持從資源管理器拖拽打開idx文件，便於使用。

Version 1.13
新增功能：增加「OCR前先加粗處理」選項。此選項使用得當可以提高OCR識別率，使用不當則會降低識別率，請仔細閱讀FAQ部分的相關說明。
功能增強：提高英文OCR的識別準確率。
錯誤修正：遇到某些格式錯誤的字幕文件，會報告「內存不足」。

Version 1.12
錯誤修正：某些中文標點前後會加入空格。

Version 1.11
新增功能：在列表中增加「序號」列。
功能增強：在OCR簡、繁、日字幕時，如果字符間距大於字高的一半，則在字間插入空格。

Version 1.10
新增功能：增加「毫秒分隔符」，允許選擇毫秒分隔符是小數點還是逗號。

Version 1.09
錯誤修正：OCR某些字幕時會中斷退出。

Version 1.08
功能增強：對含無效字符的文件路徑能夠給出提示。

Version 1.07
錯誤修正：如果原始字幕文件有錯，會中斷退出。
錯誤修正：如果原始字幕文件信息有錯，OCR後出現無時間軸的空白行，導致結果文件被截斷。

Version 1.06
功能增強：加強繁簡轉換時的糾錯能力。

Version 1.05
重寫OCR後處理部分，減小文字錯位、錯行的概率。

Version 1.04
錯誤修正：如果字幕編號不是從0開始，則不能正常OCR。

Version 1.03
功能修正：對於Unknown的字幕語言，在提醒後允許繼續OCR。

Version 1.02
功能修正：考慮到寬屏逐漸普及，初始界面不再最大化。
錯誤修正：界面縮小到正常大小時，「黑白圖像」選項會被遮擋。

Version 1.01
錯誤修正：如果字幕第一行為空，則在「OCR選項」中，不能再選擇文字顏色。

Version 1.00
提供字幕OCR、校對功能。
OCR採用MODI引擎，支持英文、簡體中文、繁體中文、日文。