纸笔准备好了吗？visAware 的字幕识别是这样的

当然，视频中的硬字幕，可以利用 OCR 识别并读出来！但是，你是怎么找到字幕位置的呢？

当然，你可以向左向右，微调，再微调，下三分之一，上三分之一，再，然后呢，还是继续，微调……

搬好小板凳，拿好小本本。 拒绝“手动挡”，visAware 是这么做的：

• 采集画面，交给支持视觉的大语言模型。
• 要求结构化返回是否有字幕：如果有，提供定位点坐标；如果没有，则描述画面。
• 划定参考点，裁剪并校准字幕区域。
• 锁定后持续识别，涉及到去重、过滤等步骤。

以下是一个Demo：展示了识别无字幕画面给出具体提示，有字幕画面精准定位，并支持区分不同语言。

AI 就是需要在这些小的场景发挥作用，它可能很小，小到主流应用场景完全 cover 不到！ 在 Coding 越来越容易的今天，珍贵的是什么，我认为是有趣的想法，是持续维护，是开源和协作，，如果，你受到了启发，不要闷声发大财，visAware 和 NVDA 都是开源项目，若现在的你没有条件做贡献，至少可以保护开源项目。