Herstel Perzische en Arabische ondertitels: verminkte letters en leestekens aan de verkeerde kant

Waarom algemene AI-assistenten struikelen over beschadigde Perzische ondertitels

De meeste beschadigde Perzische en Arabische ondertitels zijn niet slecht geschreven. Ze zijn jaren geleden opgeslagen in Windows-1256, de oude Windows-codering voor Arabisch schrift. Een moderne speler die UTF-8 verwacht, toont dan vraagtekens, blokjes of willekeurige Latijnse letters. Soms werd het bestand vervolgens met de verkeerde codering geopend en opnieuw opgeslagen, waardoor سلام op elke regel verandert in سلام of ÓáÇã.

Een chatbot ziet alleen wat je plakt, en op dat moment is de tekst al beschadigd. Hij kan gokken naar veelvoorkomende woorden, maar gokken is geen herstellen, en een volledige film is veel te lang voor één antwoord. Deze tool werkt op de bytes: hij herkent welke verkeerde decodering heeft plaatsgevonden, draait die terug en leest de letters weer correct in. De rest van het herstel – leestekens en richtingsmarkeringen – volgt vaste regels die op elke regel worden toegepast.

Wat er wordt hersteld, op volgorde

• Codering: bestanden die zijn opgeslagen in Windows-1256 (of de Hebreeuwse Windows-codering voor Hebreeuws) worden geconverteerd naar UTF-8.
• Verminkte tekst: tekst die in de verkeerde codering is geopend en opnieuw is opgeslagen, waardoor deze verschijnt als سلام of ÓáÇã, wordt weer hersteld.
• Leestekens: wanneer het bestand consequent het omgekeerde patroon vertoont, met regels zoals ".سلام" of "?خوبی" en het dialoogstreepje aan het einde, gaan leestekens terug naar het einde en het streepje naar het begin. Een normaal bestand met een opzettelijk voorafgaand "..." blijft onaangeroerd.
• Tekstrichting: oude sturingstekens voor tekstrichting worden verwijderd en aan het begin en einde van elke regel wordt een onzichtbare rechts-naar-links-markering toegevoegd. Je kunt deze markeringen weglaten als jouw speler ze als blokjes toont.
• Letters: voor Perzisch, Dari, Urdu en Sorani worden de Arabische ي en ك vervangen door ی en ک.
• Leestekens: ? , ; worden ؟ ، ؛, behalve komma's binnen getallen. Hebreeuws behoudt de Latijnse leestekens.

Voor wie dit bedoeld is

• Kijkers met Perzische ondertitels van oudere ondertitelsites die vreemde tekens vertonen in VLC of op tv
• Gebruikers van Plex, Kodi, Infuse en Jellyfin bij wie ondertitels in Arabisch schrift leestekens aan de verkeerde kant tonen
• Gezinnen die een hele serie Perzische of Dari-ondertitels omzetten voor een smart-tv
• Kijkers van Urdu, Pashto, Sorani-Koerdisch en Sindhi met oude Windows-gecodeerde bestanden
• Vertalers en ondertitelaars die bestanden opschonen vóór oplevering

Wat het niet kan oplossen

Als je tv of mediaspeler geen lettertype voor Arabisch schrift heeft, zie je vierkantjes, wat er ook in het bestand staat. Geen enkele aanpassing aan het bestand kan dat verhelpen. Probeer een andere speler-app, of een mediaserver die ondertitels in het beeld kan inbranden. Is een bestand opgeslagen met echte vraagtekens in plaats van letters? Dan zijn de letters definitief verloren en heb je een ander exemplaar van de ondertitels nodig.

Het vertaalt niet, past geen timing aan en converteert niet tussen bestandsformaten. Gebruik voor timing Fix Subtitle Sync; voor een andere taal de Ondertitels vertalen-tool. Op afbeeldingen gebaseerde ondertitels, zoals VobSub .sub/.idx en Blu-ray .sup, worden niet ondersteund.