video-subtitle-remover

O Video-subtitle-remover (VSR) é um software de remoção de legendas duras em vídeo baseado em tecnologia de IA. As principais funções incluem: remover legendas duras de vídeo sem perda de resolução e gerar arquivos; preencher e reparar as áreas onde as legendas foram removidas por meio de modelos de algoritmo de IA (preenchimento de pixels não adjacentes e remoção de mosaico); extrair legendas do vídeo original (pode ser usado junto com o video-subtitle-extractor); suportar personalização da posição da legenda para remover apenas legendas em áreas especificadas; suportar remoção automática de todo o texto em todo o vídeo; suportar remoção em lote de marcas d'água textuais em múltiplas imagens selecionadas. O software oferece duas formas de uso: interface gráfica (GUI) e linha de comando. A linha de comando suporta especificar caminhos de arquivos de entrada/saída, coordenadas da área da legenda, e diversos modos de reparo (sttn-auto, sttn-det, lama, propainter, opencv). Oferece vários pacotes pré-construídos, adaptados a diferentes ambientes: versão geral para CPU Windows, versão DirectML para Windows (para placas de vídeo não NVIDIA), versões CUDA 11.8/12.6/12.8 para NVIDIA no Windows, cobrindo várias faixas de capacidade de computação de GPU. Também oferece imagem Docker, suportando execução em GPUs da série NVIDIA 10-50, GPUs AMD/Intel e CPUs. A instalação a partir do código-fonte suporta quatro modos de execução: CUDA (aceleração NVIDIA), CPU, DirectML (aceleração AMD/Intel) e macOS (Apple Silicon). Requer Python 3.12+ e dependências como PaddlePaddle e PyTorch. Na seção de perguntas frequentes, descrevem-se as características de três algoritmos de reparo: o algoritmo STTN tem bom desempenho e velocidade em vídeos reais, podendo pular a detecção de legendas; o algoritmo LAMA tem bom desempenho em imagens e vídeos animados; o algoritmo ProPainter tem bom desempenho em vídeos com movimentos intensos, mas requer muita memória de vídeo e é mais lento. Os usuários podem ajustar a velocidade e qualidade do processamento por meio de parâmetros de configuração, e também podem usar o código de treinamento fornecido pelo projeto para treinar modelos próprios e substituir os modelos padrão.