Konverter SUB/IDX (VobSub) til SRT
Den første kørsel downloader tekstlæseren – cirka 4 MB plus sprogmodellen, leveret af dette websted og cachet af browseren bagefter. Intet uploades, og resultatet er maskinlæst: korrekturlæs det, før du stoler på det.
Indstillinger
En bitmap-undertekst er et billede af tekst, så ordene skal læses tilbage ud af det. Fortæl tekstlæseren, hvilket sprog underteksterne er skrevet på – listen dækker alle de sprog, denne side udgives på. Russiske undertekster læst med den engelske model kommer ud som støj, ikke som russisk. Kun den model, du vælger, downloades (de andre aldrig), så at skifte koster én download pr. sprog, cachet bagefter.
VobSub deler ét undertekstspor over to filer, og begge er nødvendige. .sub-filen rummer billederne: en kæde af MPEG-programstrømspakker, hver med et bitmap komprimeret med en to-bit run-length-kode. .idx-filen rummer alt det andet: den sekstenfarvede palette, billedstørrelsen og én linje pr. undertekst med dens starttid og byteforskydningen inde i .sub, hvor dens billede begynder. Dropper du kun .sub, er der ingen måde at vide, hvor mange undertekster der er; dropper du kun .idx, er der intet billede at læse. Denne side tager parret og skriver en .srt.
Hver pakke findes via den byteforskydning, så indekset er ikke en bekvemmelighed – det er kortet. Inde i pakken angiver to header-ord størrelsen og positionen af en kontrolsekvens; sekvensen sætter visningsområdet, vælger hvilke fire indgange i paletten pixels henviser til, og peger på det komprimerede bitmap. Dekoderen går derefter run-length-koden igennem to gange, én for de lige rækker og én for de ulige, fordi VobSub gemmer de to felter af et interlaced billede separat. Den detalje er grunden til, at en naiv dekoder giver et billede, hvor hver anden linje mangler.
Tidsstemplerne kommer fra .idx, som er det eneste sted, de findes i brugbar form. En blok slutter, hvor den næste begynder; den sidste blok får to sekunder, og tablisten registrerer det. Undertekster, hvis billeder ikke giver læsbar tekst, udelades og tælles, ikke skrevet som tomme linjer.
Selve teksten kommer fra OCR, hvilket betyder, at det er en aflæsning frem for en transskription. Det er her, DVD-undertekster er sværest: de blev lavet i små bitmap-skrifter med kursivmarkeringer til stemmer uden for billedet, og en genkender ved ikke, at et anderledes skråt ord er det samme ord. Korrekturlæs filen. Vælg det sprog, underteksterne er på – modellen vælges pr. side, downloades én gang og caches af browseren.
Intet uploades. Parret parses og genkendes i denne fane; de eneste netværksforespørgsler er efter genkenderens egne filer, som dette sted leverer.
Ofte stillede spørgsmål
Hvorfor har denne side brug for to filer, når alle andre værktøjer her har brug for én?
Fordi VobSub af design gemmer ét spor i to filer, ikke fordi værktøjet vil have to input. .sub rummer bitmappene; .idx rummer den sekstenfarvede palette, billedstørrelsen og forskydningen af hvert billede sammen med dets starttid. Ingen af filerne kan alene svare på »hvor mange undertekster er der, og hvad siger de«. Har du en .sub uden .idx, blev parret splittet et sted, og indekset skal genskabes fra kildedisken, før OCR er muligt.
Hvad peger filepos-tallene i .idx-filen på?
En byteforskydning ind i .sub-filen, ved starten af en MPEG-programstrømspakke, hvis stream-id markerer den som en privat strøm – den slags DVD-afspillere bruger til undertekster. Forskydningen er ikke et undertekstnummer, og den er ikke nødvendigvis monotont stigende med tidsstemplerne på en usædvanlig disk, hvilket er grunden til, at denne side sorterer poster efter deres tidsstempler frem for at stole på den rækkefølge, linjerne står i filen.
Hvorfor kommer nogle linjer ud med de forkerte bogstaver, men den rigtige længde?
Fordi både paletten og formerne kommer fra billedet, og OCR opløser former ved en fast størrelse. DVD-undertekster laves ofte i en lille, meget skrå eller meget fed skrift; et ord i kursiv – brugt til dialog uden for billedet og til sangtekster – er det sædvanlige offer, fordi en skrå udgave af et bogstav ikke er et andet bogstav for et menneske, men er en anden form for en genkender. Passer længderne, og gør bogstaverne ikke, er rettelsen korrekturlæsning, ikke et andet værktøj.
Overlever undertekstens placering på skærmen over i SRT'en?
Det gør den ikke, og der er ingen plads til den. VobSub gemmer placering som et rektangel for visningsområdet i tolvbitkoordinater inde i hver pakke, og SRT har slet ingen positioneringssyntaks. Siden bruger rektanglet til at vide, hvor blækket er – hvilket hjælper OCR med at beskære rigtigt – og dropper det derefter. Har din afspiller brug for placerede undertekster, er ASS det format, der kan bære informationen; en SRT med positionsmarkører er en konvention, som nogle afspillere ærer og andre trykker bogstaveligt.
Værktøjet siger, det har brug for .idx – jeg har kun en .sub. Kan indekset genskabes?
Ikke ud fra .sub alene og ikke pålideligt ud fra billederne. Forskydningerne kan i princippet findes ved at scanne efter private stream-pakker, men tidsstemplerne kan ikke genskabes: de ligger i .idx og ingen andre steder i parret. At genskabe et indeks betyder at gå tilbage til disken eller den VOB-fil, parret blev hentet fra, eller at bruge det originale .idx, hvis det stadig findes ved siden af et andet spor. At gætte tider ville give en fil, der ser korrekt ud og driver mod videoen, hvilket er værre end ingen fil.
Sendes filparret nogen steder hen, mens det læses?
Nej. Begge filer læses ind i hukommelsen i denne fane, dekodes her og genkendes her. Den eneste download er tekstgenkenderen, der leveres fra dette sted og bagefter caches af browseren. Du kan holde øje med Netværkspanelet, mens et par behandles: ingen forespørgsel bærer nogen af filerne. Det betyder især noget for VobSub, fordi disse filer som regel kommer fra en disk, brugeren ejer, og netop er den slags materiale, der ikke bør gives til en konverteringstjeneste.