Causa Raiz e Soluções para Codificação Corrompida de Legendas: Explicação das Codificações GBK/Big5/UTF-8

Ao armazenar texto, os computadores armazenam apenas dados de bytes binários. A codificação é um conjunto de regras de mapeamento de bytes para caracteres específicos. Codificações diferentes correspondem a tabelas de mapeamento diferentes. Se um leitor selecionar a tabela de mapeamento errada ao ler uma legenda, não conseguirá corresponder aos caracteres corretos.

O sistema de codificação Unicode integra a maioria dos caracteres escritos do mundo. UTF-8 é uma implementação de armazenamento de comprimento variável do Unicode, e é o padrão atual de codificação de texto geral para a Internet. A maioria dos arquivos de legenda criados recentemente em todo o mundo são armazenados por padrão com codificação UTF-8.

GBK é uma codificação estendida chinesa desenvolvida pela China continental, lançada em 1995. Contém mais de 21.000 caracteres chineses, e foi criada para resolver a capacidade insuficiente de caracteres da codificação inicial GB2312. As legendas de filmes e televisão domésticas antigas eram geralmente armazenadas em codificação GBK.

Big5 é uma codificação de chinês tradicional comumente usada em Taiwan, China. Shift_JIS é uma codificação regional japonesa geral para o Japão. Todas essas codificações foram criadas antes da formação de padrões unificados da Internet, e resolveram o problema de que a codificação de byte único só pode armazenar 256 caracteres, o que não pode se adaptar ao grande conjunto de caracteres do Leste Asiático.

A primeira forma são caracteres de quadrado em branco completos. Isto ocorre quando a tabela de caracteres da codificação alvo não tem uma entrada correspondente ao byte atual. O leitor não consegue renderizar o caractere, e só pode exibir um quadrado em branco como marcador de posição.

A segunda forma é codificação corrompida com pontos de interrogação completos. Isto é causado pela deteção incorreta de informações de byte no arquivo de legenda. O leitor reconhece caracteres asiáticos orientais de vários bytes como caracteres ASCII de byte único, e cada caractere é substituído por um marcador de ponto de interrogação.

A terceira forma é caracteres chineses corrompidos como "锟斤拷". Isto é causado pela sobreposição de tabelas de mapeamento de codificações diferentes. Depois que o leitor analisa os bytes com a codificação errada, acaba por corresponder a outro caractere chinês não relacionado, gerando eventualmente texto completamente ilegível.

O caminho para trocar a codificação de legendas no VLC é: clique no menu Ferramentas superior na interface de reprodução, selecione Preferências, clique na opção Legendas/OSD, selecione manualmente a codificação correspondente no módulo Codificação de Texto, e reinicie o leitor para que a alteração entre em vigor.

O caminho para trocar a codificação de legendas no PotPlayer é: clique com o botão direito na interface de reprodução, selecione a opção Legenda, encontre a opção Codificação de legenda, selecione a codificação regional correspondente na lista expandida. A alteração entra em vigor imediatamente, e não é necessário reiniciar o leitor.

A troca manual de codificação só entra em vigor para uma única reprodução. Depois de alterar dispositivos ou leitores, o problema de codificação corrompida irá reaparecer. Re-codificar os arquivos de legenda existentes para UTF-8 pode resolver os problemas de codificação corrompida em todos os leitores que suportam codificação padrão.

Pode usar o conversor de codificação de texto do OKfmt. Depois de carregar o seu arquivo de legenda original, selecione a codificação de origem e defina UTF-8 como codificação alvo, e obterá um novo arquivo de legenda com codificação de uso geral. A legenda convertida pode ser exibida normalmente em todos os leitores de multimídia mainstream.