Extraire les sous-titres d'une vidéo

Comment extraire les sous-titres brûlés dans une video ?

Conversion de la vidéo en images

• Une image par seconde
• Crop optimisé pour garder juste le bandeau France Info à partir d'une captation du flux TNT HD (1920x1080)
• en png pour ne pas ajouter d'artefact supplémentaire

1ffmpeg -y -i video.ts -vf fps=1 -vf crop=1680:160:120:890 pic_%04d.png

Créé des fichiers pic_0001.png, pic_0002.png, ...

Passage à l'OCR Tesseract

Sous MacOS :

1brew install tesseract tesseract-lang

Lancement de la commande tesseract :

1tesseract pic_0400.png pic_0400

Ceci crée un fichier pic_0400.txt avec éventuellement un contenu texte issu de l'analyse OCR.

TODO

• Boucler sur tous les fichiers
• Timestamper les sous-titres, générer un .srt
• Dédoublonner
• Benchmarker pour optimiser les performances
• Ménage des .png
• Ménage des .txt

Ressources

• https://trac.ffmpeg.org/wiki/Create%20a%20thumbnail%20image%20every%20X%20seconds%20of%20the%20video (conversion vidéo en images)
• https://blog.macuyiko.com/post/2017/note-to-self-using-tesseract-to-extract-subtitles.html (mini tuto tesseract)
• https://github.com/thiagoalessio/tesseract-ocr-for-php (wrapper php pour tesseract)