提取字幕時忽略異種語言的臺標和水印

核心要點

• 搬運和二次上傳的影片常帶著和對白不同語言的臺標或水印——比如中文片段上的泰文、韓文、日文平臺臺標——普通 OCR 會把它們全識別進你的 SRT。
• 極客連按書寫系統過濾 OCR：設定你的字幕語言，它就保留該語言書寫系統的文字（加上拉丁字母和數字），自動丟掉其它書寫系統的文字。
• 這能抓到顏色和字號過濾抓不到的噪聲——異種語言的臺標即使和字幕同色、同大小，也會被去掉，因為它根本是另一種文字。
• 它不會刪英文。拉丁字母和數字一律保留，因為真實字幕裡經常夾英文單詞和數字。
• 在 Apple 晶片 Mac 上離線執行，支援 90+ 種語言，匯出乾淨的 SRT。

為什麼外語文字會進入我提取的字幕？

OCR 會讀取畫面裡每一處文字，不管什麼語言。一個片段被搬運、二次上傳後，常帶著原平臺的水印或臺標——而那段文字往往和口語對白完全不是一種語言。OCR 分不清哪種語言才是「字幕」，它只是在讀字元。

這在短影片和搬運影片裡極其常見。一段從別的平臺搬來的中文短劇，角落裡可能有泰文或韓文的平臺臺標；一個合集頂部可能橫著日文頻道名。照字面讀，這些全都落進了你的 SRT，緊挨著真正的對白。

把它們分開最可靠的辦法是按書寫系統。如果你的對白是中文、臺標是泰文，兩者用的是完全不同的文字系統——所以告訴 OCR 引擎「我的字幕是中文」，就給了它一條清晰的取捨規則。

如何按語言過濾 OCR？

你在提取前設定字幕語言，極客連只保留書寫系統與該語言匹配的文字——加上拉丁字母和數字——其餘全部丟棄。你選的語言做兩件事：選用為該語言調優的識別模型，並定義輸出的「預期」書寫系統集合。

當某一行被檢測為不屬於你語言的書寫系統——中文影片上的日文假名、非泰語影片上的泰文——極客連會把它當作「不是你的字幕」而剔除。你不用額外開任何開關；選定字幕語言本身就是過濾。

因為它按書寫系統而不是外觀工作，所以能去掉顏色和字號過濾漏掉的異種語言噪聲——一個剛好白色、字幕大小的臺標，只要是用另一種語言寫的，照樣被丟掉。

各語言分別保留和丟棄什麼？

每種字幕語言都保留自己的書寫系統加上拉丁（應對幾乎每條字幕裡都有的英文和數字），丟掉無關的書寫系統。常見語言的表現如下：

字幕語言	保留	丟棄（示例）
中文	漢字 + 拉丁/數字	日文假名、韓文、泰文、西里爾、阿拉伯文
日文	假名 + 漢字 + 拉丁/數字	韓文、泰文、西里爾、阿拉伯文
韓文	諺文 + 拉丁/數字	日文假名、泰文、西里爾、阿拉伯文
泰文	泰文 + 拉丁/數字	中日韓、韓文、西里爾、阿拉伯文
俄文	西里爾 + 拉丁/數字	中日韓、韓文、泰文、阿拉伯文
阿拉伯文	阿拉伯文 + 拉丁/數字	中日韓、韓文、泰文、西里爾
印地文	天城文 + 拉丁/數字	中日韓、韓文、泰文、西里爾

對拉丁文字的字幕語言（英語、西班牙語、葡萄牙語等），預期集合是拉丁——所以非拉丁的臺標和水印會被丟掉，而你的對白保留。

語言過濾會把英文也刪掉嗎？

不會。無論你選哪種字幕語言，拉丁字母和數字一律保留。字幕裡經常夾英文單詞、品牌名和數字——一條中文行裡可能有「OK」、一個型號、或一個年份——所以刪拉丁會損壞真正的字幕。

也就是說，語言過濾去掉的是其它非拉丁書寫系統（日文、韓文、泰文、西里爾、阿拉伯文等），不是英文。如果你的噪聲是英文字幕影片上的英文水印，請改用顏色、字號、區域過濾——它們按外觀和位置區分同語言文字。

中英雙語字幕怎麼辦？

雙語字幕是支援的——極客連能抓取雙語字幕的兩種語言。很多中文影片上面一行中文、下面一行英文；因為拉丁始終和中文一起保留，所以兩行都會被識別出來。

這和丟掉異種語言臺標不衝突：雙語字幕是有意為之、本就屬於一起的兩種文字的對白；而臺標是第三種書寫系統裡的無關文字。語言過濾會保留前者、丟掉後者。

操作步驟：丟掉外語臺標、留下你的字幕

1. 匯入影片（可批次）。極客連一次處理整個資料夾。
2. 把字幕語言設為對白語言（例如中文）。這決定保留哪些書寫系統。
3. 選擇字幕區域並啟動 OCR。選好字幕位置；若也想按外觀過濾，從樣本幀點選字幕顏色。
4. 等它跑完。極客連讀取對白，自動丟棄其它書寫系統的行——外語臺標或水印根本不會進你的 SRT。
5. 匯出 SRT。你得到一份只含字幕的乾淨檔案，可直接翻譯或編輯。

和外觀過濾疊加，效果最乾淨：語言去掉異種文字的臺標，顏色、字號、區域再清理同語言的噪聲。完整流程見提取字幕去掉水印，或見文件裡的 OCR 指南（每個設定的參考）。

為什麼搬運和二次上傳影片尤其需要這個？

如果你做搬運片段，外語臺標是提取字幕裡垃圾的最大來源。從短劇、合集、跨平臺搬運裡摳對白的人，天天要面對壓在中文對白上的泰文、韓文、日文臺標和平臺水印。

按語言過濾，把這件事從手動清理變成自動：設定對白語言，外語文字在你開啟 SRT 之前就沒了。再配合批次處理，你能一次清掉一整個資料夾的搬運片段——全程在 Mac 上離線。

宣告：極客連是我們自己的產品。本文描述的語言/指令碼行為反映 App 過濾 OCR 輸出的方式。請在你自己的素材上確認效果，因為異形字型和花式臺標可能有差異。

例項：帶泰文臺標的中文片段

假設你在搬運一段中文短劇，右上角還留著某泰國平臺的臺標，底部有一個英文小時間戳。各項過濾分別會做：

• 把字幕語言設為中文。泰文臺標是另一種書寫系統，自動被丟掉——即便它像字幕一樣壓在畫面上、即便它是白色且大小相近。
• 英文時間戳預設保留，因為拉丁字母和數字一律保留。不想要的話，加一個區域過濾（它在底部邊緣、字幕帶之外）或顏色過濾（它通常顏色不同）。
• 中文對白乾淨地識別出來，可直接匯出 SRT，或翻譯成英文做雙語版。

無論你處理一個還是五十個片段，結果都一樣——設一次語言，整個資料夾離線批次跑完。

語言過濾和按顏色/字號過濾有什麼不同？

語言過濾按書寫系統區分文字；顏色、字號、區域過濾按外觀和位置區分文字。它們解決不同的問題，最乾淨的提取是兩者並用。

當噪聲和對白是不同語言時（外語臺標或平臺水印），用語言過濾。無論它什麼顏色、多大，都會被去掉，因為它就是另一種文字。這是唯一能丟掉「剛好白色、字高一致」的臺標的過濾。

當噪聲和對白是同一種語言時（比如中文影片上的中文頻道名），用顏色、字號、區域過濾。語言過濾分不清它們，但外觀能：水印通常顏色不同、更小、或縮在角落。

實操上，先設語言清掉外語文字，再加顏色和字號清理殘留的同語言噪聲。兩遍是互補的，不是重複。

如果還有外語文字漏進來怎麼辦？

有少數臺標天生就難認，這些邊界情況值得知道。高度花式或裝飾性的臺標可能被 OCR 誤讀成一串隨機拉丁字元、而不是它真正的文字——而因為拉丁始終保留，這種亂碼偶爾會混進 SRT。

遇到這種情況，疊加外觀過濾：角落臺標用區域過濾去掉，淡色或異色臺標用顏色過濾去掉。語言、區域、顏色三者之間，幾乎每個臺標都會被其中至少一個拿下。

真正在一行裡混兩種外語的情況在字幕裡很少見，但若碰到，選和你對白匹配的語言、其餘交給外觀過濾。目標不是一條完美規則，而是疊幾個便宜的過濾，讓剩下的清理變得微不足道，而不是逐行去刪。

常見問題