Skip to content

README_ch.md

Latest commit

 

History

History
215 lines (140 loc) · 8.05 KB

README_ch.md

File metadata and controls

215 lines (140 loc) · 8.05 KB

English | 中文

VideOCR 图标

VideOCR

从视频中提取硬编码字幕！


ℹ 关于

通过简单易用的图形界面从视频中提取硬编码（烧录）字幕。VideOCR 支持使用 PaddleOCR 引擎进行 100% 本地处理，以及使用 Google Lens 进行高精度文本识别的混合云端处理。所有配置均可通过点击轻松完成。

此仓库还提供了可与支持的 OCR 引擎结合使用的命令行版本 VideOCR。

最新版本集成了 PaddleOCR 的最新版本用于本地处理，并引入了全新的 Google Lens 混合模式。

安装

Windows:

您可以使用安装程序进行安装，也可以直接下载包含所有必需文件（包括可执行文件）的压缩包，解压到目标位置即可。

Linux:

从发布页面下载压缩包，解压到目标位置。
如需将VideOCR添加到应用程序菜单，可在解压后的目录中打开终端并运行以下命令：

./install_videocr.sh

此命令将创建VideOCR的快捷方式。如需移除，可运行：

./uninstall_videocr.sh

使用说明

导入视频后，可通过时间轴或左右方向键浏览视频内容。通过点击拖拽的方式在视频上绘制裁剪框，选择字幕区域。完成后，点击“运行”按钮开始字幕提取。

更多选项可在“高级设置”选项卡中配置，详细信息可参考CLI版本的参数说明。 image

命令行版本（CLI）使用说明

解压压缩包后，在目标位置打开终端，运行以下命令：

Windows:

.\videocr-cli.exe -h

Linux:

./videocr-cli.bin -h

示例用法（Windows）:

.\videocr-cli.exe --video_path "视频路径\example.mp4" --output "字幕保存路径\example.srt" --lang en --time_start "18:40" --use_gpu true

更多参数说明请参考下文。

性能说明

在 CPU 上运行本地 PaddleOCR 过程可能较慢，建议搭配 GPU 使用。

或者，使用 google_lens 引擎可以将流程中最繁重的部分（文本识别）卸载到云端。对于没有强大 GPU 的用户来说，这是一个极佳且快速的选择（需要有效的网络连接）。

小贴士

裁剪时，在文字上下方留出一定的缓冲空间以提高识别准确率，但不要将裁剪框设置得过大。

快速配置参考

更高速度 更高准确率 备注
输入视频质量 使用较低质量 使用较高质量 高分辨率视频的性能影响可通过裁剪减轻
frames_to_skip 数值更高 数值更低 如需完全准确的时间戳，此参数需设为0。
SSIM阈值 阈值更低 阈值更高 若连续帧的SSIM超过此阈值，则跳过OCR。较低的值可显著减少OCR处理的帧数。

命令行参数说明（CLI版本）

  • video_path

    待提取字幕的视频路径。

  • output

    字幕文件（.srt）保存路径。

  • ocr_engine

    选择用于文本检测和识别的 OCR 引擎。有效值为 paddleocr（默认）和 google_lens。 paddleocr 在本地执行 100% 的文本检测和识别处理。 google_lens 采用混合处理模式，在本地使用 PaddleOCR 进行文本检测，并使用 Google Lens 进行文本识别。注意：google_lens 模式需要有效的网络连接。

  • lang

    字幕语言。支持的语言及缩写取决于您选择的 ocr_engine。

  • subtitle_position

    指定字幕在视频中的对齐方式，有助于提升识别准确率。

  • conf_threshold

    文字预测的置信度阈值。低于此值的文字将被忽略。默认值 75 适用于大多数场景（仅适用 PaddleOCR）。

    若每行文字过少，可降低此值；若每行文字过多，可提高此值。

  • sim_threshold

    字幕行的相似度阈值。基于Levenshtein距离，高于此阈值的字幕行将被合并。默认值80适用于大多数场景。

    若字幕行重复过多，可降低此值；若字幕行过少，可提高此值。

  • ssim_threshold

    若连续帧的SSIM超过此阈值，则该帧在第 1 步的初始过滤中将被视为相似帧并被丢弃。较低的值可显著减少需要进行OCR处理的图像数量。在字幕区域裁剪较精确的情况下，即使将此值降至 85 也能获得良好的效果。

  • post_processing

    启用后处理步骤，自动分析并修复缺失的空格（PaddleOCR常见问题）。目前仅支持英语、西班牙语、葡萄牙语、德语、意大利语和法语。详情请参考wordninja-enhanced仓库。

  • max_merge_gap

    合并相似字幕的最大时间间隔（秒）。默认值0.09（90毫秒）适用于大多数场景。

    若发现相同字幕被错误分割为多条，可增加此值。

  • time_start 和 time_end

    仅提取视频片段中的字幕。时间戳仍以完整视频长度计算。

  • use_fullframe

    默认使用裁剪区域或底部三分之一帧进行OCR。设为True时，将使用完整帧。

  • crop_x(2), crop_y(2), crop_width(2), crop_height(2)

    指定OCR区域的像素范围。示例见下图： image

  • subtitle_alignment(2)

    字幕对齐。此参数允许您使用ASS（Advanced SubStation Alpha）标签控制视频帧内字幕的位置。有效值包括：bottom-left、bottom-center、bottom-right、middle-left、middle-center、middle-right、top-left、top-center、top-right。

  • max_ocr_image_width

    在传递给OCR引擎之前缩小裁剪的图像帧，使其宽度不超过此设定值。较低的数值可缩短处理时间，但设置过低可能会降低OCR识别的准确率。

  • use_gpu

    设为True时，使用GPU进行OCR。

  • use_angle_cls

    设为 True 时，启用分类功能（仅适用 PaddleOCR）。

  • brightness_threshold

    若设置，亮度低于此阈值的像素将被置黑。有效范围为0（黑）至255（白）。适用于白色字幕的视频。

  • frames_to_skip

    OCR前跳过的帧数。调整时需注意视频的fps。

  • min_subtitle_duration

    短于此阈值的字幕将被忽略。

  • normalize_to_simplified_chinese

    在处理前将繁体中文字符转换为简体中文。仅适用于 "Chinese & English" 模式。旨在修复因 OCR 模型在简体文本中不一致地混入繁体字符而导致的字幕合并问题。

  • use_server_model

    默认使用轻量模型进行OCR。启用后将使用服务器模型，提升检测效果，但会消耗更多资源。建议仅在GPU版本中使用。

构建与编译说明

  • 要求：

    • Python 3.9或更高版本
    • Windows:
      • C++构建工具（如Visual Studio的“使用C++的桌面开发”套件）
      • 7zip（需添加到PATH）
      • Tkinter（Windows默认Python安装包含）
    • Linux:
      • 7zip
      • Tkinter
      • 建议安装dbus

  • 步骤：

    • 克隆仓库到目标位置： 
      git clone https://github.com/timminator/VideOCR.git
    • 进入目录并安装依赖： 
      cd VideOCR
python -m pip install --upgrade pip
pip install . --group all
    • 运行构建脚本： 
      python build.py --target cpu

    更多信息可通过以下命令查看：

    python build.py -h