Untertitelextraktion

OCR und ASR sind unterschiedliche Ausgangspunkte für Untertitel

Bildschirmtext und gesprochene Dialoge erfordern unterschiedliche Grundlagen für Belegung, Korrektur und Timing.

Zentrale Erkenntnisse

• Video-OCR liest Text, der bereits in den Bildern sichtbar ist.
• ASR erkennt Sprache aus der Audiospur.
• Keiner der beiden Wege macht Timing, Filterung und Überprüfung überflüssig.

Video-OCR ist nützlich, wenn die Quelle fest eingebrannte Untertitel oder anderen sichtbaren Dialogtext enthält. Eine praktische Pipeline sucht in den Bildern nach Textkandidaten, fasst wiederholte Beobachtungen im Zeitverlauf zusammen, filtert Szenentext und falsch-positive Erkennungen und wandelt die verbleibenden Bereiche anschließend in zeitlich synchronisierte Untertitelzeilen um.

ASR geht von gesprochener Sprache aus. Es ist nützlich, wenn der Ton klar ist und der Quelltext fehlt, muss aber dennoch Segmentierung, Sprecher, Pausen, Akzente, Überschneidungen und die Lesegeschwindigkeit von Untertiteln berücksichtigen. Die Ausgabe entspricht daher nicht automatisch dem im Bild sichtbaren Text.

Der richtige Ausgangspunkt hängt von der Quelle ab. Eine saubere Untertitelspur kann der beste Input sein; fest eingebrannte Untertitel können OCR zum direkten Weg machen; bei Sprache ohne Text kann ASR erforderlich sein. Produktionssysteme sollten diese Wege ausdrücklich getrennt halten, damit Teams wissen, was beobachtet, was abgeleitet und was noch überprüft werden muss.

Wählen Sie die Beleglage, bevor Sie das Werkzeug auswählen

Prüfen Sie die Quelle auf eine saubere Untertitelspur, fest eingebrannten Text, verständliche Sprache, Musik oder Effekte, überlappende Sprecher und Szenentext. Der Zustand der Quelle bestimmt, ob OCR, ASR, eine bereitgestellte Datei oder mehrere Wege geeignet sind.

OCR verfolgt sichtbaren Text im Zeitverlauf

Ein zuverlässiger Video-OCR Prozess erkennt mögliche Textstellen, gruppiert Beobachtungen über benachbarte Einzelbilder hinweg, filtert Logos und Szenentext, korrigiert Erkennungsfehler und erzeugt zeitcodierte Hinweise. Der Bereich und die Zeitspanne bleiben für die Überprüfung und die Bildbereinigung nützliche Belege.

1. Erkennen Sie Textkandidaten in repräsentativen Einzelbildern.
2. Gruppieren Sie wiederholte Beobachtungen zu zeitlichen Hinweisen.
3. Filtern Sie Szenentext und Fehlalarme.
4. Korrigieren Sie die Formulierung und vergleichen Sie sie bei Bedarf mit dem Ton.
5. Prüfen Sie Timing, Pausen und Lesegeschwindigkeit vor dem Export.

ASR folgt der Sprache, nicht dem Bild

ASR kann Dialoge rekonstruieren, wenn das Audiosignal brauchbar ist, weiß aber nicht, welcher sichtbare Text zum Dialog gehört. Sprecherwechsel, Pausen, Akzente, Musik und überlappende Zeilen erfordern Segmentierung und Prüfung.

• Prüfen Sie die Klarheit des Audios und Hintergrundstörungen.
• Kennzeichnen Sie Sprecherwechsel und gleichzeitig Gesprochenes.
• Kontrollieren Sie die Cue-Länge, Pausen und Lesegeschwindigkeit der Untertitel.
• Vergleichen Sie Namen und Begriffe mit dem Serieneintrag.

Die beiden Pfade klar voneinander abgrenzen

OCR und ASR können verglichen oder gemeinsam verwendet werden, aber eines sollte nicht als automatischer Ersatz für das andere beschrieben werden. Halten Sie fest, welche Belege zu jedem Cue geführt haben und was korrigiert wurde.

Häufig gestellte Fragen

Sollten OCR und ASR immer kombiniert werden?

Nein. Nutzen Sie den vom Ausgangsmaterial unterstützten Ansatz. Die Kombination kann dabei helfen, eingebrannte Untertitel und deutliche Sprache gegenzuprüfen, schafft aber auch einen weiteren Abgleichsschritt.

Ist ein OCR Ergebnis sofort zur Übersetzung bereit?

In der Regel nicht. Filtern Sie den Szenentext, korrigieren Sie die Erkennung, prüfen Sie Timing und Lesegeschwindigkeit und legen Sie zunächst die Quellversion fest.

Kann ASR Text erfassen, der im Video nie zu sehen ist?

Es kann gesprochenen Dialog aus verwertbarem Audiomaterial erfassen, aber Sprache aus dem Off, überlappende Sprache, Musik und undeutliche Aussprache müssen weiterhin geprüft werden.