TL;DR：韓国語字幕OCRは、見えているハングルの各音節を認識できても、スペースに筆画がないため誤った文章を返すことがあります。韓国語OCRを正しく評価するには、文字認識と単語境界を別々に測定する必要があります。 GeekLinkは動画に焼き込まれた韓国語字幕をローカルで抽出でき、今後1週間でスペースに重点を置いた韓国語OCRの微調整を行う準備をしています。
韓国語字幕でスペースが重要な理由
たとえば 오늘은 정말 좋은 날이에요 が 오늘은정말좋은날이에요 と認識されることがあります。ハングルの音節は揃っていても、読みにくく、編集や翻訳にも余分な作業が必要です。
韓国国立国語院の韓国語正書法第2項は、文中の各単語を原則として分かち書きすると定めています。スペースは単なる見た目ではなく、正しい韓国語表記の一部です。詳しくは公式の韓国語規範をご覧ください。
スペースが消えると、検索・置換、翻訳、人名や助詞の確認、字幕編集の手間にも影響します。
なぜ韓国語OCRでスペースが消えるのか
スペースにはインクがないため、OCRは音節ブロック間の横方向の距離から単語境界を推測します。実際の字幕では次の要因が推測を難しくします。
- 文字は読めても境界を学習していない。ハングルを多く見ていても、正しいスペース付き字幕行を十分に見ていない場合があります。
- 字幕の装飾が間隔を変える。縁取り、影、細いフォント、字間、圧縮によって単語間の空白が通常の字間に見えます。
- 1行が複数の検出枠に分割される。枠の位置を無視して結合すると、正しい単語が連結されます。
- 後処理が空白を正規化する。認識後の結合やクリーニングで有効なスペースが消えることもあります。
一般的なOCR精度だけでは不十分な理由
다음주에 다시만나요 は文字だけを見るとほぼ正しいように見えますが、単語境界が2つ失われています。韓国語字幕OCRでは少なくとも次を分けて測るべきです。
- スペース境界F1：必要なスペースを残し、余計なスペースを入れていないか。
- 行単位の完全一致率：スペースが正解と完全に一致した行の割合。
- スペースを除いた文字精度：スペース改善でハングル認識が悪化していないか。
公平なベンチマークでは、学習素材とテスト素材を動画単位で分ける必要があります。同じ動画のフレームをランダム分割すると、フォントや背景が似ているため結果が過大になります。
GeekLinkが準備していること
GeekLinkは単語間スペースに特化した韓国語字幕OCRの微調整を準備しており、最初の調整は今後1週間に行う予定です。目的は「すべて完璧」と宣伝することではなく、スペースを独立した測定可能な品質目標にすることです。
更新後はスペース指標と、別に計算した文字精度の両方を確認します。自動ベンチマークが終わるまでは、この記事は問題と評価方法を説明するもので、完成した精度を約束するものではありません。
韓国語字幕を抽出する実用的な手順
韓国語字幕が映像に焼き込まれている場合、通常の字幕トラックではありません。OCRで編集可能な文字に戻します。
- 動画を読み込み、認識言語に韓国語を選びます。
- 字幕の領域を指定し、ロゴや透かしを除外します。
- OCRを実行します。
- 元の映像フレームと見比べてスペースを確認します。
- SRTまたはTXTで書き出します。
GeekLinkはこの処理をパソコン上で行い、焼き込み韓国語字幕を時刻付きの編集可能な字幕に変換します。
FAQ
なぜ韓国語OCRはスペースを削除しますか？
スペースには筆画がないため、OCRは音節ブロック間の距離から単語境界を推測します。装飾、圧縮、検出枠、後処理によってその距離が失われます。
ハングルの音節がすべて正しければ高精度ですか？
必ずしもそうではありません。文字が正しくても単語境界が間違うことがあるため、スペースは別に評価します。
OCR後にAIで韓国語のスペースを追加できますか？
一般的な境界は推測できますが、人名、俗語、歌詞、方言、意図的な表記を変える可能性があります。抽出では映像に見える間隔を保つ方が安全です。
GeekLinkで動画から韓国語字幕を抽出できますか？
はい。動画フレームから焼き込み韓国語字幕を読み取り、時刻を合わせて編集可能なSRTまたはTXTに書き出します。
スペース特化モデルはいつ使えますか？
GeekLinkは今後1週間に最初の韓国語スペース特化微調整を行う準備をしています。自動ベンチマーク完了後に精度について公開します。
注記：GeekLinkは自社製品です。ここで説明する韓国語スペース特化OCRモデルは準備中で、ベンチマーク完了を意味しません。