OCRが行を落とす時は先に枠とfpsを見る

ハード字幕のOCRがよく失敗するのは、モデルが「賢くない」からではなく、渡した画面が違うからです。局ロゴ、時計、装飾文字、プログレスバーまで文字として読まれます。モデルを替える前に、枠と間引きを変えた方が効きます。

先に認識枠を変える

既定は画面下約40%です。横向きの口頭の多くはこれで足りますが、次では外れます。

• 縦動画の字幕が中央や上部にある
• 右上の局ロゴ、左上の日付が枠に入る
• コメントや「いいね」演出が字幕帯を横切る

原則は単純です。枠の中は字幕だけ、外はすべてノイズ。局ロゴ、時計、頭上の装飾は除外します。字より少し大きくて構いません。画面の半分を飲み込む大きさにはしないでください。

次に間引きを変える

0.5〜2 fps で足りることが多いです。密すぎると一文が複数の重複キューに割れ、疎すぎると一瞬の短文が落ちます。

こう試してください。

1. まず 1 fps。欠落が多いか見る。
2. 欠落が多ければ 2 fps。最初から 8 fps に飛ばない。
3. 一文が砕けていれば 0.5 fps に戻し、校正で結合する。

コントラストが低い（薄い壁に黄文字、細い縁取り）ときは、間引きを増やすよりソースを明るくするか、よりきれいな完成映像に差し替えた方が効きます。

校正は省略できない

OCR は「了」を「子」にし、英語の固有名を分割します。認識後に：

• 一文に属するキューを結合する
• 誤読した局ロゴと透かしを消す
• 息継ぎに合わせてイン／アウトを微調整する

スタジオに上げ、「ハード字幕認識」を入れて始められます。原音声がはっきりしていれば音声認識の方が速く安定します。手順は10分で字幕です。