字幕擷取

OCR 與 ASR 是字幕的不同起點

畫面文字與口語對白需要不同的證據、校正與時間軸處理路徑。

重點結論

• 影片 OCR 讀取影格中已經顯示的文字。
• ASR 從音訊軌辨識語音。
• 無論哪種路徑，都無法免除時間軸處理、篩選與審核的需求。

當來源包含內嵌字幕或其他可見的對白文字時，影片 OCR 就很實用。實際的處理流程會在不同影格中尋找文字候選區域，隨時間將重複觀察結果分組，篩除場景文字與誤判，接著把保留下來的區域轉換成具有時間軸的字幕提示。

ASR 從語音開始。當音訊清晰但缺少來源文字時，ASR 很實用；不過，它仍須處理分段、說話者、停頓、口音、多人重疊說話，以及字幕閱讀速度。其輸出不會自動等同於畫面中可見的文字。

適合的起點取決於來源。乾淨的字幕軌可能是最佳輸入；內嵌字幕可能讓 OCR 成為直接路徑；沒有文字的語音則可能需要 ASR。製作系統應明確保留這些路徑，讓團隊知道哪些內容是觀察所得、哪些是推論所得，以及哪些仍需要審核。

先選擇證據，再選擇工具

檢查來源是否包含乾淨的字幕軌、內嵌文字、可清楚辨識的語音、音樂或音效、重疊說話者，以及場景文字。來源狀況會決定適合使用 OCR、ASR、提供的檔案，或不只一種路徑。

OCR 會隨時間追蹤可見文字

可靠的影片 OCR 流程會偵測候選文字、將相鄰影格中的觀察結果分組、篩除標誌與場景文字、修正辨識錯誤，並產生帶有時間資訊的字幕提示。區域與時間範圍仍是審查和畫面清理時有用的證據。

1. 在具代表性的影格中偵測文字候選專案。
2. 將重複的觀察結果分組為時間字幕提示。
3. 篩除場景文字與誤判結果。
4. 修正措辭，並在有幫助時與音訊比對。
5. 匯出前檢查時間、分段與閱讀速度。

ASR 會追蹤語音，而不是畫面

音訊可用時，ASR 能重建對話，但無法知道哪些可見文字屬於對話內容。說話者變換、停頓、口音、音樂與重疊台詞都需要分段和審查。

• 檢查音訊清晰度與背景干擾。
• 標記說話者變換與重疊語音。
• 控制字幕提示長度、停頓與字幕閱讀速度。
• 將人名與術語和系列紀錄比對。

清楚區分兩種處理路徑

OCR 與 ASR 可以互相比對或搭配使用，但不應將其中一種描述為另一種的自動替代方案。記錄每個字幕提示是由哪項證據產生，以及修正了哪些內容。

常見問題

OCR 和 ASR 是否應該一律搭配使用？

不一定。使用來源所支援的處理路徑。將兩者搭配使用有助於交叉核對內嵌字幕與清晰語音，但也會增加另一個整合步驟。

OCR 結果可以立即拿來翻譯嗎？

通常不行。先篩除場景文字、修正辨識結果、確認時間與閱讀速度，並固定來源版本。

ASR 能找回影片中從未出現的文字嗎？

只要音訊可用，就能找回語音對話；但畫外語音、重疊語音、音樂與發音不清楚的內容仍需要審查。