請問該如何使用

[s0910187]

覺得您很厲害，很想測試看看 只是我是python初學者，沒有使用教學不知該如何著手 可以麻煩您簡單寫個教學嗎? 謝謝

[apm1467]

您好，不知您用的是哪個操作系統？會不會使用命令行？

我假設您用的是 Windows，先大約寫一下，細節如果不清楚您再問。

1. 這個項目要用到最新的 Python 3.7 版本，所以先確認安裝的 Python 版本是 3.7。

2. 其次用這個項目前要先安裝 Tesseract 引擎，可以在这个页面下載。您需要的很可能是頁面上第二個鏈接（64 bit）。

   安裝完 Tesseract，把 Tesseract 的安裝路徑添加進您的 $PATH 里：

   

   做完這一步后點擊確認。現在啟動 Windows 命令行，輸入 tesseract 命令，系統應該能夠識別出來：

   

   這樣 Tesseract 安裝就完成了。

3. 在計算機上新建一個文件夾，例如在桌面，名字叫 videocr。在裡面放上您的視頻文件，例如名字叫 video.avi。

   再在文件夾裡新建一個 Python 文件 get_sub.py，內容是：

   # get_sub.py
   
   import videocr
   
   if __name__ == '__main__':
       videocr.save_subtitles_to_file('video.avi', lang='chi_sim+eng')

   注意 lang 參數您根據字幕語言自己填。

4. 在命令行里去往這個文件夾，建立一個 Python virtualenv。進入 virtualenv，輸入 pip3 install videocr 命令安裝本項目。等安裝完，輸入 python get_sub.py 命令，開始提取字幕。提取过程中，計算機 CPU 佔用率會升高到 100%。

5. 等提取完成，文件夾里會生成新文件 subtitle.srt，內容就是字幕。如果字幕準確率不夠高，可以修改 get_sub.py，調整 save_subtitles_to_file 函數的 sim_threshold 和 conf_threshold 這兩個參數，然後再提取試試。

全部流程就是這樣，不知道是不是好理解？提取字幕耗時較久，建立您先使用一個較短的視頻段落作測試。

[s0910187]

您好，謝謝您的回覆，我用的是mac系統python版本是3.7.2，不過已依你的提示安裝好mac用的Tesseract和videocr，目前正測試看看能不能運行，發現目前cpu佔用率的確是100%，只是跑了10分鐘左右，subtitle.srt還是0byte,後來出現Killed: 9，然後程序就停止運行了，不曉得我是哪個步驟做錯了呢? 不過，我沒做到您上頭說的「Tesseract 的安裝路徑添加進您的 $PATH 里」請問這個在mac中該怎麼設定呢? 照畫面看來，我的Tesseract應該是有安裝成功才對呀 可否請您幫我解惑一下呢?謝謝

[s0910187]

下班回家後換了一台電腦測試，一樣是mac系統 測試結果發現，不曉得是不是影片時間過長(約1小時左右)，程序一樣跑了大概十幾分鐘後，就沒反應了，這次沒跳出錯誤訊息，但是很明顯看出tesseract一開始有運作，但十幾分鐘後就不再運作了。

[apm1467]

如果是在 Mac 上用 Homebrew 安裝的 Tesseract，安裝時會自動添加 $PATH，看起來您裝的沒問題。

為了防止寫入時數據衝突，videocr 目前的行為是先把整個視頻識別完，再一次性寫入字幕，所以沒整個跑完前字幕文件會一直是空的。我也要再試試有沒有更好的辦法。

我在我自己的雙核筆記本電腦上測試時，識別 20 秒的視頻要用時 3 分鐘。CPU 核數越多速度會越快，但一小時的視頻估計還是要好幾個小時識別完。

您能不能試試看，先在視頻里抽個十秒鐘出來，看能不能識別出內容。

videocr.save_subtitles_to_file(
    'video.avi', lang='chi_sim+eng', time_start='0:0:30', time_end='0:0:40')

例如用這個格式，可以只識別視頻第 30 秒到第 40 秒之間的內容。

[s0910187]

我剛剛用了2分鐘的影片，就可以順利識別出字幕了，只是辨識度不夠高，大概20行裡面只識別出3行，所以之前跑不出來，應該是影片太長的問題… 只是若是要辨別一整部韓劇的字幕的話，還是需要讓程式能夠辨別1小時以上的影片才行 這個可能要請大大再試試看該如何調整程式了。 整體來說，若能夠實現用這個程式自動取出一整部韓劇的硬字幕的話，那對很多使用者來說，將會是一件非常方便的一件事了。

[apm1467]

能工作就太好了。真是慚愧，我自己寫的時候就沒測試過那麼長的影片，有可能是運行久后內存用盡了。我這週有時間改進一下。

如果不要求輸出精確時間軸，識別速度可以比現在快很多。目前我為了識別出精確時間軸，採取的策略是對每一幀畫面都進行 OCR，所以 60 FPS 的視頻每一秒長度都要進行 60 次識別，非常慢。如果放寬一點精度要求，隔幀識別一次，速度就快一倍。您的需求是時間軸盡量越準越好嗎？

[s0910187]

是的，若要完整製作出一部韓劇的字幕的話，時間軸需要非常精準才行 另外，我測試幾個檔案後發現，它不支援mkv檔的識別，一樣的影片轉成mp4檔就可以了 提供給您做改進時的參考。 非常感謝您開發出這麼好用的程式，希望到時真的能完美成為韓劇自動ocr的程式 以下是mkv檔跑完後出現的訊息

[s0910187]

我的Mac是八代i7，6核心的，所以跑起來的話，應該20秒影片只需要40秒左右就能跑完。

[apm1467]

對，這個截圖看起來是視頻格式問題，一般在 Mac 上轉成 mp4 最穩妥。

20 行裡面只識別出 3 行可能是默認 sim_threshold 太低了。默認值是 90，您可以試試：

videocr.save_subtitles_to_file( 'video.avi', lang='chi_sim+eng', sim_threshold=98)

把這個參數調到 98，可能效果會好一些。

另外如果識別韓文，您可以用 lang='kor' 和 lang='Hangul' 這兩個語言碼分別試一試。

[s0910187]

我要識別的是簡體中文，因為很多韓劇的字幕都是簡體內嵌的，我想把它識別出來變成srt檔後，再轉成繁體的。

[apm1467]

簡體中文的話，lang='chi_sim'和 lang='HanS' 都可以試一下，有時候有奇效。總體上 Tesseract 對中文的識別準度是低一些，可能因為字符總數太龐大了……

[s0910187]

的確，中文識別準度還真的蠻低的，不知道有沒有什麼更好的解決方法? 剛剛試了1分鐘左右的韓劇，結果有點兒慘，大概準度只有60%左右，而且，為什麼中間都會有空格?而且有蠻多行是重覆的，在劇情中，它應該就是同一句話而已。

[s0910187]

改成HanS效果就好些了

[apm1467]

行數重複多就是 sim_threshold 值太高了。

videocr 的工作原理是，對每一幀畫面都進行識別，然後再比較相鄰畫面識別出的文字。如果文字相似度高，就認定這兩幅畫面里是同一句話，進行合併；如果相似度低就判定為兩句不同的話。sim_threshold 值就是判定相似度的基準，相似度低於這個值就拆分成兩句話。

默認 sim_threshold 是 90，如果重複的行數很多就調低點，讓合併更激進；如果合併太嚴重了，就調高點。可能我說的 98 太高了。

Tesseract 是按詞識別的，每個詞之間會加空格，這個主要是對英語之類語言有意義。如果只識別中文，你可以轉換成繁體時把所有空格去掉。

[apm1467]

我更新了一下代碼，現在提取兩小時長的影片在我機器上沒有問題（雖然花了一整天）。

您有空的時候幫我試試吧，用 $ pip3 install --upgrade videocr 更新軟件版本，然後提取長影片看看效果。