DVD 字幕提取方案：Subtitle Edit + Tesseract

我们看视频时，除了面画和声音，字幕也是一个重要的元素，可以大大提高视频内容的可访问性。字幕主要有两种格式：

基于文本的格式：这些格式（如 SRT 或 SSA）将字幕存储为纯文本，您可以使用常规文本编辑器轻松阅读甚至编辑。

二进制格式：二进制格式，例如 IDX/SUB 和 STL，我们可能会在 DVD 和蓝光光盘中找到这些内容。

今天，给大家介绍一个二进制字幕提取方法，可以从 DVD 和蓝光光盘中提取字幕文件。

DVD 字幕

DVD视频中的字幕，是一种图形字幕，文件存储的是图片信息，如IDX/SUB、PGS，在播放器中字幕作为位图渲染。字幕文件的格式有很多种，其中最常见的是IDX/SUB格式。

IDX/SUB字幕，用两个文件存储字幕信息，后缀分别为.idx与.sub，idx存储属性信息，可用记事本打开包括字幕缩放、延时等，与ASS的功能栏大同小异；sub存储字幕的图片信息。

既然是图片，那本质上是一个OCR（Optical Character Recognition）问题，即光学字符识别。OCR技术是一种将图像中的文字转换为可编辑、可搜索的文本的技术。OCR技术比较成熟，有很多开源的OCR引擎，如Tesseract。

Tesseract 是一个开源的OCR引擎，由 Google 开发，支持多种语言，包括中文。Tesseract 4.0 之后，支持 LSTM 神经网络，识别效果更好。

Subtitle Edit 是一个开源的字幕编辑器，支持多种字幕格式，包括IDX/SUB。Subtitle Edit 也支持OCR，可以使用 Tesseract 引擎识别字幕图片。