Cómo habilitar la extracción de subtítulos DVB e imágenes

General Support / Questions Subtitles / Closed Captions
1

MCEBuddy puede convertir automáticamente subtítulos basados en imágenes (por ejemplo, subtítulos DVB o incrustados) en subtítulos de texto (SRT) utilizando OCR (Reconocimiento Óptico de Caracteres). Esta función requiere descargar archivos adicionales, ya que el procesamiento OCR necesita archivos de datos muy grandes (~1 GB de tamaño) que no se pueden incluir en el instalador de MCEBuddy.

MCEBuddy Versión 2.7.1 y posteriores

Los archivos OCR se descargan e instalan automáticamente si hay una conexión a Internet disponible después de completar la instalación de MCEBuddy.

MCEBuddy Versión 2.6.2 a 2.6.6

Durante la instalación, la opción de descargar e instalar automáticamente los archivos complementarios OCR necesarios está habilitada por defecto. Puedes deshabilitarla si no deseas que se descarguen e instalen automáticamente los archivos complementarios OCR.

Si la descarga falló debido a la falta de conexión a Internet o no seleccionaste la instalación automática durante la configuración, puedes activar en cualquier momento una reinstalación automática de los archivos complementarios OCR haciendo clic en el enlace Install OCR add-on en la página Conversion task, como se muestra a continuación:

image
image462×948 23 KB

InstallOCR add-on en gris significa que los archivos complementarios han sido instalados. Haz clic en el texto para volver a descargarlos y reinstalarlos (~500 MB de descarga)
Install OCR add-on en rojo significa que los archivos complementarios aún no han sido instalados. Haz clic en el texto para descargarlos e instalarlos (~500 MB de descarga)

Asegúrate de que las opciones Save subtitles o Embed subtitles estén habilitadas en Conversion task → Advanced settings para extraer y procesar subtítulos usando OCR.

MCEBuddy Versiones 2.4.7 a 2.6.1

Necesitarás descargar e instalar manualmente los archivos OCR como se describe a continuación.

Sigue el siguiente procedimiento para habilitar OCR y la conversión de subtítulos de imagen a texto para extraer subtítulos DVB y otros subtítulos basados en imágenes de las grabaciones.

  1. Descarga los archivos OCR desde https://github.com/tesseract-ocr/tessdata/archive/3.04.00.zip
  2. Extrae el contenido del archivo zip (tessdata-3.04.00.zip). Debería crear una carpeta llamada tessdata-3.04.00 dentro de la cual habrá más de 100 archivos traineddata. Asegúrate de que no haya subcarpetas. Debería verse así: tessdata-3.04.00\\<100+ archivos traineddata>
  3. Mueve la carpeta tessdata-3.04.00 al directorio ccextractor donde está instalado MCEBuddy: \<directorio de instalación de MCEBuddy>\ccextractor\
    por ejemplo, mueve tessdata-3.04.00 dentro de C:\\Program Files\\MCEBuddy2x\\ccextractor\\
  4. Renombra el directorio tessdata-3.04.00 a tessdata. Importante: No te saltes este paso o el OCR no funcionará

Así que tu configuración final debería verse así: \<directorio de instalación de MCEBuddy>\ccextractor\tessdata\<100+ archivos traineddata>
por ejemplo, C:\\Program Files\\MCEBuddy2x\\ccextractor\\tessdata\\<100+ archivos traineddata>

¡Asegúrate de haber habilitado la opción Extract subtitles and closed captions en la configuración avanzada de tu tarea de conversión y estás listo! Extraerá y convertirá subtítulos basados en imágenes en un archivo SRT de texto. ¡Disfrútalo!

Las versiones anteriores a la 2.4.7 no admiten OCR

3

¿Tessdata 4.x o 5.x (alfa) es compatible con MCEBuddy y se puede instalar de la misma manera/en la misma ubicación?

Hay carpetas adicionales en ambas versiones 4 y 5 de las actualizaciones.

4

Tessdata es utilizado por ccExtractor y aún no es compatible con la versión 4.x o 5.x

5

Bueno saberlo, gracias. Me ahorraste mucho tiempo. :slight_smile:

6

Descargué el archivo zip y está vacío. Lo intentaré de nuevo.

7

tuve que conseguir 7-zip. Windows no lo descomprimía

8

A partir de la versión 2.7.1, MCEBuddy admitirá tessdata para tesseract 4.x y 5.x. Los archivos tessdata predeterminados descargados seguirán siendo para 3.04 porque en nuestras pruebas encontramos que son los mejores para OCR en subtítulos incrustados en video e imagen, pero puede experimentar con sus propios archivos entrenados de tessdata si está interesado.

Puntos a tener en cuenta:

  • El valor predeterminado es siempre el modo PSM 3, pero el modo OEM cambiará a LTSM al usar tessdata para 4.x y 5.x y LEGACY al usar tessdata para 3.x
  • La estructura de directorios sigue siendo la misma para todas las versiones, todos los archivos de datos entrenados deben colocarse en una carpeta llamada tessdata como se describe en las instrucciones anteriores

Si descubre que usar un modo PSM u OEM diferente funciona mejor, háganoslo saber los detalles con ejemplos y analizaremos la posibilidad de permitir a los usuarios personalizar los modos.

Aquí hay algunos enlaces a los diferentes archivos entrenados de tessdata compatibles con tesseract 4.x y 5.x que han sido probados con MCEBuddy