subs.sab.bz - Информация

[tonyy]

Идеята ми дойде по време на контролно . Искам да попитам дали може да се добави в проверката за думи, дали не е изпусната 1 буква, а новополучената дума съществува например ТОЙ , а е написано ТО , дали не може да се проверява. Тази опция да може да се включва и изключва ако се осъществи. БЛАГОДАРНОСТИ

[MichaelZ]

tonyy, предполагам, че това няма да е лесно, а за ТОЙ и ТО се съмнявам, тъй като ТО също е самостоятелна дума.
Soler, искам да ми пише домашнитеее!

Този коментар е бил редактиран от MichaelZ на Dec 4 2009, 05:27 PM

[Soler]

Направо следващата версия да пише домашни и да прави контролни.

[tonyy]

MichaelZ, точно това е целта, при изпускане на буква да се получава друга съществуваща дума.

[yvetted]

tonyy, ако преводачът не знае родния си език, никоя програма няма да може да му помогне. Аз съм ЗА програмите, правещи спелчек, защото при писането всеки от нас понякога разменя някоя буква със съседна, но да разчитам, че програмата ще ми оправи пунктуацията, да намира съществуващи думи при изпуснати букви - това е смешно. Всеки средноинтелигентен човек трябва да знае добре правилата за правопис и пунктуация на родния си език. Да не говорим за хора, които като нас са се наели да превеждат филми, които ще бъдат гледани от много други хора. Не бива да се разчита на програми за неща, които човек би трябвало да е научил до 12 годишната си възраст.

[JaneDow]

Двете тирета "--" са оправени във версия 1.59, но сега символите ">" и "<" ги третира като грешки.

[tonyy]

Може би не ме разрахте, но няма значение...

[peterx]

Не исках до коментарът ми да прозвучи като опит за спор. Просто от твоето мнение останах с впечатление, че едва ли не щом искаме допълнителна функционалност по един коректор, то имаме проблеми с грамотността си .

Явно станахме жертва на Първия форумен закон - "Ако мнението ми може да бъде разбрано погрешно, то непременно ще бъде разбрано погрешно."

Този коментар е бил редактиран от peterx на Dec 4 2009, 10:38 PM

[yvetted]

peterx, нямам намерение да влизам в безплодни и безкрайни спорове с когото и да било. Изразих собственото си мнение (имам право на такова), без да ангажирам никого с него. Всеки, който иска, да ползва каквито иска програми - те затова се правят, за да са в помощ на потребителите. Лично аз разчитам на собствената си грамотност.

Този коментар е бил редактиран от yvetted на Dec 4 2009, 09:47 PM

[ivan4]

Двете тирета "--" са оправени във версия 1.59, но сега символите ">" и "<" ги третира като грешки.

Не са грешки. Символи като $ | @ # > < и някои други просто се броят и се показва броят им. Имай предвид, че като изключим субтитрите, в повечето други текстове тези символи обикновено са съмнителни (случайно натиснат клавиш и пр.), затова проверяващият веднага трябва да може да види какви други "гарги" съдържа текста му освен стандартните буквено-цифрени комбинации. Не е проблем да сложа опция "Режим субтитри" и при включването й да не се показва статистика за > и <, които са част от тайминга и форматирането на текста (тагове като <i> и пр.). При всички случаи показването им не пречи чак толкова.

Този коментар е бил редактиран от ivan4 на Dec 5 2009, 12:15 AM

[ivan4]

Може да се добави функция за превръщане на код от латиница на кирилица за еднаквите символи в двете азбуки. Примерно когато се свалят субтитри на български от блу-рей, програмата за OCR не прави разлика между "а", "е", "о", "с" и т. н., но те имат различни кодове за латиница и кирилица, така че става смесване.

Готово: Версия 1.60

1. Откриват се потенциални български думи, написани изцяло с латински букви. Досега програмата засичаше само думи, в които има смесен текст, тоест едновременно латински и кирилски букви. Вече думи като "Не", "ce" и прочие, написани изцяло с латински букви, също се засичат и като предложение за корекция се предлага българския вариант и коригирането става с едно кликване в левия панел (не е нужно да пренаписвате думата ръчно). Прави се проверка дали предната и следващата дума са на латиница и ако това е така, думата не се отчита като потенциална грешка, тоест в израза "He is a boy", първата дума няма да се счита за потенциална грешка, защото Чекърът ще извършва проверката в режим "английски език".

Алгоритъмът на намиране на съответствия на отделните букви позволява известна свобода, иначе казано не е задължително буквите да изглеждат абсолютно еднакво, достатъчно е да са близки (напр. r-г, n-п, u-и) и затова в някои редки случаи може да се открият фалшиви грешки или предложенията за корекция да са доста смешни. Например ако думата "year" се срещне между две български думи, програмата би Ви предложила българския текст "уеаг" (year и някои други английски думи са в изключващ списък, тоест никога не се появяват като възможни OCR грешки). Нарочно не правя проверка дали генерираното българско предложение е валидна дума, тъй като това би ограничило засичането на някои видове грешки. Например в израза "Же Ве Це" (сам по себе си неправилен) втората дума може да е написана на латиница вместо на кирилица и въпреки че българска дума "Ве" липсва в българския словоформен списък, програмата ще Ви я предложи като корекция.

Ако дадена думи на латиница съдържа букви като t, i, s и пр., които много рядко са OCR грешки на български букви, тези думи никога не се листват като възможни OCR грешки, дори да са между две български. Срещал съм изключения, например "Ji" вместо българската "Л".

Този коментар е бил редактиран от ivan4 на Dec 6 2009, 07:39 AM

[JaneDow]

Не са грешки. Символи като $ | @ # > < и някои други просто се броят и се показва броят им. Имай предвид, че като изключим субтитрите, в повечето други текстове тези символи обикновено са съмнителни (случайно натиснат клавиш и пр.), затова проверяващият веднага трябва да може да види какви други "гарги" съдържа текста му освен стандартните буквено-цифрени комбинации. Не е проблем да сложа опция "Режим субтитри" и при включването й да не се показва статистика за > и <, които са част от тайминга и форматирането на текста (тагове като <i> и пр.). При всички случаи показването им не пречи чак толкова.

Според мен най-удачният вариант е да има такава опция, която по подразбиране да е изключена, но да може да се запомня при включване, защото иначе стават много такива думи и символи, дето само се броят, но те отклоняват вниманието от съществените грешки.


Ето такъв случай имах предвид за смесване на латиница и кирилица:

Щракнете върху изображението
за пълен размер

Този коментар е бил редактиран от simo76 на Dec 5 2009, 12:58 AM

[Zaza14]

Може би не ме разрахте, но няма значение...

Напротив, смятам, че всички са те разбрали правилно. Но само си представи колко думи в превода ще бъдат маркирани като потенциално незавършени и колко предложения ще изкара програмата за тях.
напр. ТО - той, но и топ, тор, тоз, ток, том, тон;
или ДА - дай, дал, дан
и доста други комбинации.
И най-прекрасната програма за автоматична проверка не може да предвиди всички човешки грешки, затова най-добре си изчитай субтитрите като ги приключиш. (доста често можеш да срещнеш грешки от типа: СЕ вместо СИ или СА). Не си представям какъв алгоритъм ще ги открие. По тази логика всяка дума от превода трябва да се анализира и подложи на проверка.

Този коментар е бил редактиран от Zaza14 на Dec 5 2009, 01:42 AM

[ivan4]

Ето такъв случай имах предвид за смесване на латиница и кирилица:

Щракнете върху изображението
за пълен размер

Този пример е уникален!

Я пробвай следното:
1. Отваряш Чекъра.
2. Включваш опцията "Генерирай коригиран файл".
3. Отваряш файла (чрез менюто или чрез влачене и пускане в десния панел).

Поглеждаш в папката, в която е файла и виждаш един файл с префикс "AUTO_". Това е автоматично коригираният файл. Сега лошата новина. Въпреки че в твоя случай така ще се оправят 90% от грешките (около 50% при нормални субтитри), ще има и правилни думи, които програмата ще е заместила с грешни. Също така пунктуационните грешки, ако ги има, ще останат непокътнати. Думите с главна буква също се прескачат, тъй че поне 10% от думите със смесен текст ще останат неоправени. Заради всичките тези проблеми трябва да отвориш новия "AUTO_" файл в Чекъра и ръчно да го докоригираш, изчитайки внимателно текста вдясно дума по дума. Не трябва да разчиташ само на левия панел заради потенциалните грешни замествания на автокорекцията. Тази автоматична корекция съм я писал за около час и предстои да отделя седмица-две да я направя наистина работеща. Засега опцията може да се ползва единствено за случаи като този на скрийншота.

Този коментар е бил редактиран от ivan4 на Dec 5 2009, 09:07 AM

[ivan4]

Ето такъв случай имах предвид за смесване на латиница и кирилица:

JaneDow, качи ми този файл някъде (напр. tranz.it) и ми прати линк да го тествам. Ще кача след малко версия, която ще решава проблема. Просто ще се генерира файл, в който ще се заменят автоматично само OCR грешките (думите със смесен текст), а останалите няма да се пипат. Така ще отпаднат ограниченията, които съм изредил в горното мнение. После оправяш другите грешки във вече коригирания файл, като го отвориш отново в Чекъра. Вероятно ще останат не повече от 50–100, което е съвсем различно от 2'000.

Ако разучиш настройките на програмата, с която рипваш субтитрите, нищо чудно да откриеш начин да я накараш да се справи по-добре с разпознаването. Например, ако има опция, с която ascii кодовете на определени разпознати букви се заменят с други ascii кодове по твой избор (българските съответствия).

Edit:
Версия 1.61

Следвай трите стъпки, посочени в горното мнение. В папката ще откриеш и един допълнителен файл с префикс "OCR_", който е оправеният файл. Може да го преименуваш както ти харесва и да го пуснеш отново в Чекъра, за да оправиш останалите (не OCR) грешки. Казвай, ако откриеш някакви проблеми. Не съм го тествал с такъв файл, но се надявам, че ще работи добре.

Този коментар е бил редактиран от ivan4 на Dec 5 2009, 09:24 AM