提取字幕时忽略异种语言的台标和水印

核心要点

• 搬运和二次上传的视频常带着和对白不同语言的台标或水印——比如中文片段上的泰文、韩文、日文平台台标——普通 OCR 会把它们全识别进你的 SRT。
• 极客连按书写系统过滤 OCR：设定你的字幕语言，它就保留该语言书写系统的文字（加上拉丁字母和数字），自动丢掉其它书写系统的文字。
• 这能抓到颜色和字号过滤抓不到的噪声——异种语言的台标即使和字幕同色、同大小，也会被去掉，因为它根本是另一种文字。
• 它不会删英文。拉丁字母和数字一律保留，因为真实字幕里经常夹英文单词和数字。
• 在 Apple 芯片 Mac 上离线运行，支持 90+ 种语言，导出干净的 SRT。

为什么外语文字会进入我提取的字幕？

OCR 会读取画面里每一处文字，不管什么语言。一个片段被搬运、二次上传后，常带着原平台的水印或台标——而那段文字往往和口语对白完全不是一种语言。OCR 分不清哪种语言才是「字幕」，它只是在读字符。

这在短视频和搬运视频里极其常见。一段从别的平台搬来的中文短剧，角落里可能有泰文或韩文的平台台标；一个合集顶部可能横着日文频道名。照字面读，这些全都落进了你的 SRT，紧挨着真正的对白。

把它们分开最可靠的办法是按书写系统。如果你的对白是中文、台标是泰文，两者用的是完全不同的文字系统——所以告诉 OCR 引擎「我的字幕是中文」，就给了它一条清晰的取舍规则。

如何按语言过滤 OCR？

你在提取前设定字幕语言，极客连只保留书写系统与该语言匹配的文字——加上拉丁字母和数字——其余全部丢弃。你选的语言做两件事：选用为该语言调优的识别模型，并定义输出的「预期」书写系统集合。

当某一行被检测为不属于你语言的书写系统——中文视频上的日文假名、非泰语视频上的泰文——极客连会把它当作「不是你的字幕」而剔除。你不用额外开任何开关；选定字幕语言本身就是过滤。

因为它按书写系统而不是外观工作，所以能去掉颜色和字号过滤漏掉的异种语言噪声——一个刚好白色、字幕大小的台标，只要是用另一种语言写的，照样被丢掉。

各语言分别保留和丢弃什么？

每种字幕语言都保留自己的书写系统加上拉丁（应对几乎每条字幕里都有的英文和数字），丢掉无关的书写系统。常见语言的表现如下：

字幕语言	保留	丢弃（示例）
中文	汉字 + 拉丁/数字	日文假名、韩文、泰文、西里尔、阿拉伯文
日文	假名 + 汉字 + 拉丁/数字	韩文、泰文、西里尔、阿拉伯文
韩文	谚文 + 拉丁/数字	日文假名、泰文、西里尔、阿拉伯文
泰文	泰文 + 拉丁/数字	中日韩、韩文、西里尔、阿拉伯文
俄文	西里尔 + 拉丁/数字	中日韩、韩文、泰文、阿拉伯文
阿拉伯文	阿拉伯文 + 拉丁/数字	中日韩、韩文、泰文、西里尔
印地文	天城文 + 拉丁/数字	中日韩、韩文、泰文、西里尔

对拉丁文字的字幕语言（英语、西班牙语、葡萄牙语等），预期集合是拉丁——所以非拉丁的台标和水印会被丢掉，而你的对白保留。

语言过滤会把英文也删掉吗？

不会。无论你选哪种字幕语言，拉丁字母和数字一律保留。字幕里经常夹英文单词、品牌名和数字——一条中文行里可能有「OK」、一个型号、或一个年份——所以删拉丁会损坏真正的字幕。

也就是说，语言过滤去掉的是其它非拉丁书写系统（日文、韩文、泰文、西里尔、阿拉伯文等），不是英文。如果你的噪声是英文字幕视频上的英文水印，请改用颜色、字号、区域过滤——它们按外观和位置区分同语言文字。

中英双语字幕怎么办？

双语字幕是支持的——极客连能抓取双语字幕的两种语言。很多中文视频上面一行中文、下面一行英文；因为拉丁始终和中文一起保留，所以两行都会被识别出来。

这和丢掉异种语言台标不冲突：双语字幕是有意为之、本就属于一起的两种文字的对白；而台标是第三种书写系统里的无关文字。语言过滤会保留前者、丢掉后者。

操作步骤：丢掉外语台标、留下你的字幕

1. 导入视频（可批量）。极客连一次处理整个文件夹。
2. 把字幕语言设为对白语言（例如中文）。这决定保留哪些书写系统。
3. 选择字幕区域并启动 OCR。选好字幕位置；若也想按外观过滤，从样本帧点选字幕颜色。
4. 等它跑完。极客连读取对白，自动丢弃其它书写系统的行——外语台标或水印根本不会进你的 SRT。
5. 导出 SRT。你得到一份只含字幕的干净文件，可直接翻译或编辑。

和外观过滤叠加，效果最干净：语言去掉异种文字的台标，颜色、字号、区域再清理同语言的噪声。完整流程见提取字幕去掉水印，或见文档里的 OCR 指南（每个设置的参考）。

为什么搬运和二次上传视频尤其需要这个？

如果你做搬运片段，外语台标是提取字幕里垃圾的最大来源。从短剧、合集、跨平台搬运里抠对白的人，天天要面对压在中文对白上的泰文、韩文、日文台标和平台水印。

按语言过滤，把这件事从手动清理变成自动：设定对白语言，外语文字在你打开 SRT 之前就没了。再配合批量处理，你能一次清掉一整个文件夹的搬运片段——全程在 Mac 上离线。

声明：极客连是我们自己的产品。本文描述的语言/脚本行为反映 App 过滤 OCR 输出的方式。请在你自己的素材上确认效果，因为异形字体和花式台标可能有差异。

实例：带泰文台标的中文片段

假设你在搬运一段中文短剧，右上角还留着某泰国平台的台标，底部有一个英文小时间戳。各项过滤分别会做：

• 把字幕语言设为中文。泰文台标是另一种书写系统，自动被丢掉——即便它像字幕一样压在画面上、即便它是白色且大小相近。
• 英文时间戳默认保留，因为拉丁字母和数字一律保留。不想要的话，加一个区域过滤（它在底部边缘、字幕带之外）或颜色过滤（它通常颜色不同）。
• 中文对白干净地识别出来，可直接导出 SRT，或翻译成英文做双语版。

无论你处理一个还是五十个片段，结果都一样——设一次语言，整个文件夹离线批量跑完。

语言过滤和按颜色/字号过滤有什么不同？

语言过滤按书写系统区分文字；颜色、字号、区域过滤按外观和位置区分文字。它们解决不同的问题，最干净的提取是两者并用。

当噪声和对白是不同语言时（外语台标或平台水印），用语言过滤。无论它什么颜色、多大，都会被去掉，因为它就是另一种文字。这是唯一能丢掉「刚好白色、字高一致」的台标的过滤。

当噪声和对白是同一种语言时（比如中文视频上的中文频道名），用颜色、字号、区域过滤。语言过滤分不清它们，但外观能：水印通常颜色不同、更小、或缩在角落。

实操上，先设语言清掉外语文字，再加颜色和字号清理残留的同语言噪声。两遍是互补的，不是重复。

如果还有外语文字漏进来怎么办？

有少数台标天生就难认，这些边界情况值得知道。高度花式或装饰性的台标可能被 OCR 误读成一串随机拉丁字符、而不是它真正的文字——而因为拉丁始终保留，这种乱码偶尔会混进 SRT。

遇到这种情况，叠加外观过滤：角落台标用区域过滤去掉，淡色或异色台标用颜色过滤去掉。语言、区域、颜色三者之间，几乎每个台标都会被其中至少一个拿下。

真正在一行里混两种外语的情况在字幕里很少见，但若碰到，选和你对白匹配的语言、其余交给外观过滤。目标不是一条完美规则，而是叠几个便宜的过滤，让剩下的清理变得微不足道，而不是逐行去删。

常见问题