SubToSrt字庫交流&使用討論

kiroro9999

本文章最後由 kiroro9999 於 2016-2-17 11:03 編輯

交流字庫的目的，主要希望一個人輸入過的字，不用大家再重複輸入一次
以這個目的為出發點，期望大家都能多分享自己建立或蒐集的字庫

教學：
因為SubRip + SubToSrt操作比較複雜，稍有一個地方卡住，很可能就會方棄這個方式
之前我使用SubRip + SubToSrt不順，因此轉而使用「IdxSubOcr」
但是「IdxSubOcr」會有斷行跑掉、漏字...等問題，近期又開始研究SubRip + SubToSrt
教學部分，在網路上很多，如這一篇、這一篇、這一篇、這一篇，可以自行研究
如果有哪個步驟卡住，可以提出，版上有許多高手，應該可以提供解答
之前我主要是卡在SubRip擷取BMP時，到達99%時，軟體會當掉，後來使用before1012這一篇的軟體才解決

目前提供字庫網友如下：
1. before1012大：這一篇14F，提供約27萬字庫
2. pleaze大：這一篇29F，整合了百萬字庫
3. xdoomt大：本篇4F，提供8萬6千個字
4. tuckind大：本篇9F(1088000~1288664字)、20F(900000-1080204)
5. baby-yaya：本篇33F，提供5仟字
6. Uriel_Z：本篇37F，提供1百萬字

目前我彙整上述字庫達百萬(以自建字庫為優先)
經測試約100片，約有4~5片因字型特殊完全無法辨識外，其餘皆能正常辨識
其中約有1/3的片完全不用輸入，須輸入少則10~20字，多的大約100~150字左右
但在測試過程中發現，併入百萬字庫後，有一些字會出現錯誤，如：沖/衝、卷/捲、托/託、你/妳
因此重新整理以網友提供之自建字庫及我自行輸入字庫為主，整理後字庫達60萬字，跟大家分享



==============================

SubToSrt的問題請大家協助解決

1.斜體字，會把部分裁切掉及多出前後字，這樣的字，大家是否也輸入呢?



2.ocr英文，空格皆會不見，如「Once in a blue moon」會變成「Onceinabluemoon」，有法可解嗎?




同場加映：

1.如何辨別港版和台版字幕
http://www.hd.club.tw/thread-187759-1-1.html

2.如何調srt字幕的時間軸：
http://www.hd.club.tw/thread-193095-1-1.html

3.抽取字幕軟體：VSRip或VobSub Configure
http://www.hd.club.tw/thread-191882-1-1.html(12F，TC.Star的回覆)
http://www.hd.club.tw/thread-204745-1-1.html(2F、3F的回覆)

4.調整idx+sub時間軸軟體：Sub Subresync(下面連結16F，TC.Star的回覆)
http://www.hd.club.tw/thread-193095-1-1.html

5.簡體GBK字幕轉繁體中文
http://www.hd.club.tw/thread-195233-1-1.html

6.去除Vobsub字幕中不需要的語言字幕
http://www.hd.club.tw/thread-153192-1-1.html

7.SUP如何轉idx+sub：BDSup2Sub 5.1.2或BDSup2Sub ++1.0.2(下面連結25F，TC.Star的回覆)
http://www.hd.club.tw/thread-195734-2-1.html

8.發現SubToSrt字庫的錯字如何修正(請參考，下面連結6F)
http://www.hd.club.tw/thread-191851-1-1.html

before1012

1.鈄體字，我都把擴展湊成一句，例:我起來了，若"我"成為一個字，那就不要擴展！若"我"沒成為一個字，就擴展字元"我起"看有沒有成為一句，依此類推！
2.如圖:去設定空格(這要多試，因為字幕的空白，都不一樣)

pleaze

本文章最後由 pleaze 於 2014-12-16 21:12 編輯

(2) 如圖，調前兩項參數。能 Ocr 英文字幕的軟體非常多。也許換 IdxSubOcr 或 SubtitleEdit 會是更好選擇。


(1) 會害人的事情，我不會隨便告訴人。

xdoomtw

分享PCDVD 論壇上tonyhsie網友一字一字打的字幕庫加上我自己打的字幕庫
約8萬6千個字。

pleaze

本文章最後由 pleaze 於 2014-12-19 19:12 編輯

上面的 8.6 萬字合併到百萬字庫裏，僅增加 1592 字，原 before 大的 27.7 萬字庫則增加 3.5 萬字，共約 31.2 萬字，可見大家重覆做工的程度。
Replace.sys.2014_1218 後新增
下周<=>下週
甘乃迪<=>甘迺迪
行事歷<=>行事曆
我說干<=>我說幹
意大利面<=>義大利麵
瞌藥<=>嗑藥
瞌過<=>嗑過
噁劣<=>惡劣 (放到最後面)
Replace.sys_2014.1218.rar (4 KB, 下載次數: 268)

2014-12-18 02:26 AM 上傳

點擊文件名下載附件

xdoomtw

本文章最後由 xdoomtw 於 2014-12-18 10:21 編輯

提供重建乾淨字庫的方法，一切從0開始

把 Replace.sys, replace1.txt, replace2.txt, word.sts, word.wrd, word.ind 砍掉
複製 newword.sts (大小為 0 bytes) 五份，把檔名改為上面五個檔名 (word.ind 不用)

重建後，再導入別人一字一字打的正確字庫(非對岸的及來路不明的)，這樣中文辨識的"正確率"會提高很多，接近100%，但目前自打的且提供出來的字庫數不是很多，很多字還是得自己打，但優點是不用費心去找錯字。

kiroro9999

我使用before1012大字庫+這一篇2F、3F的字庫+xdoomtw字庫，今天試著辨識幾片，效果還不錯，當然如果能有更多人分享自建的字庫，或許可以完全捨棄百萬字庫。

Yeunong

這篇我幫忙置頂

tuckind

俺合併以上的字庫，增加了壹萬多字。

最近O了很多影集，加上剛合併後的字庫，1088000~1288664字：
http://pan.baidu.com/s/1kT5O0o3

pleaze

tuckind 發表於 2014-12-18 18:00
俺合併以上的字庫，增加了壹萬多字。

最近O了很多影集，加上剛合併後的字庫，1088000~1288664字：

大感謝，補了六萬字入庫。

tuckind

俺個人是完全清空 Replace.sys，因為治標不治本，字庫中的錯別字永遠在那裡。
每次掃完一個字幕，就先跑一下其他軟體查找錯別字，發現錯誤再回頭修正 SubToSrt 字庫，確保同樣錯誤不再發生。

bebolan

tuckind 發表於 2014-12-18 23:44
俺個人是完全清空 Replace.sys，因為治標不治本，字庫中的錯別字永遠在那裡。
每次掃完一個字幕，就先跑一 ...

我也覺得自行找出錯誤的識別，可省去校對之苦。取能者校對後的字幕來比較自己識別的字幕，把錯字一律刪除重新識別才能建立完正確的字庫。
比較字幕可用這篇：
http://www.hd.club.tw/thread-189125-1-2.html

開啟程式>檔案>比較：叫出比較程式，分別載入他人和自己的識別，操作很方便。

kiroro9999

本文章最後由 kiroro9999 於 2014-12-19 15:24 編輯

tuckind 發表於 2014-12-18 18:00
俺合併以上的字庫，增加了壹萬多字。

最近O了很多影集，加上剛合併後的字庫，1088000~1288664字：

感謝tuckind大提供這麼棒的字庫
另外冒昧請求，這一帖1F的900000-1080204，可否再提供一次

kiroro9999

本文章最後由 kiroro9999 於 2014-12-19 15:30 編輯

pleaze 發表於 2014-12-18 00:01
上面的 8.6 萬字合併到百萬字庫裏，僅增加 1592 字，原 before 大的 27.7 萬字庫則增加 3.5 萬字，共約 31. ...

對於這幾個詞，提出意見：

伙計<=>夥計 (不少字幕這2個詞都有用)
倒楣<=>倒霉 (倒楣國語辭典反而比較常用)
煞車<=>剎車 (國語辭典2個詞都可以)
可卡因<=>古柯鹼 (古柯鹼反而比較常聽到)

kiroro9999

pleaze 發表於 2014-12-18 00:01
上面的 8.6 萬字合併到百萬字庫裏，僅增加 1592 字，原 before 大的 27.7 萬字庫則增加 3.5 萬字，共約 31. ...

隨意測試幾組。。。<=>…，是有問題的

kiroro9999

bebolan 發表於 2014-12-19 11:45
我也覺得自行找出錯誤的識別，可省去校對之苦。取能者校對後的字幕來比較自己識別的字幕，把錯字一律刪除 ...

感謝bebolan大提供這個資訊，我再來試看看
SubToSrt似乎也有類似功能，只是沒有差異比較的功能

pleaze

本文章最後由 pleaze 於 2014-12-19 18:34 編輯

kiroro9999 發表於 2014-12-19 15:30
對於這幾個詞，提出意見：

伙計夥計 (不少字幕這2個詞都有用)

前三個我是沒甚麼意見，因為我也是抄來的。字幕是你在處理，如果互相通用的話，看哪個順眼就用哪個，不必硬行代換，請自行從 Replace.sys 裏移除。畢竟字幕不是文學著作、也非神作都不會犯錯，我的標準是讓使用者看得懂、順眼、不突兀就行。例如我將 [台灣] 一率取代成 [臺灣]，雖然較正確，但前者更為常見，所以覺得不妥，請自行移除。第四個確實是碰到 [可卡因] 代換成我們這邊較常見的 [古柯鹼]。

我是將 Replace.sys 拿來當多用途的字詞代換在用，除了在 SubToSrt 使用外，還將 IdxSubOcr 初完成識別的字幕，以及對岸的翻譯字幕，甚至匯出到我的文字編輯器裏當字詞代換使用，所以可能會感覺很混雜，但那是我個人為多目標所構思。如果覺得不妥，就請自行改掉換成你的版本，或者提出大家討論、研議，我個人還是有自己的盲點，集眾人才智才是最大智慧。

pleaze

本文章最後由 pleaze 於 2014-12-19 17:01 編輯

kiroro9999 發表於 2014-12-19 15:33
隨意測試幾組。。。…，是有問題的

你是指 。。。<=>，，， 代換錯誤嗎？

***
我弄懂了，是在 [設定] 的位置，已經先把句中出現的 [。]  先代換成 [，]

解決的方法，要嘛去改設定，或者加入這行 (較佳的選擇)

，，，<=>...


p.s. 請在設定的預設代換裏一併考量，要不要把句末出現的 [。] 或 [，] 給刪除掉，都會影響這個結果。

pleaze

本文章最後由 pleaze 於 2014-12-20 03:08 編輯

英文數字全型轉半型.rar (346 Bytes, 下載次數: 37)

2014-12-20 03:03 AM 上傳

點擊文件名下載附件

英文數字符號全型轉半型.rar (379 Bytes, 下載次數: 31)

2014-12-20 03:03 AM 上傳

點擊文件名下載附件

tuckind

俺的 900000-1080204 字庫：
http://pan.baidu.com/s/1ntuVdzj