Die Datei ist in Ordnung, sie wurde falsch gelesen
Eine Untertiteldatei speichert Bytes. Aus Bytes Zeichen zu machen, verlangt zu wissen, in welcher Kodierung sie geschrieben wurden – liegt man falsch, kommt Zeichensalat heraus. Kein einziges Byte der Datei fehlt; mit der richtigen Kodierung noch einmal gelesen, kommen die Zeichen zurück.
Das teilt die Arbeit in zwei Teile: herausfinden, mit welcher Kodierung es anfing, und als Kodierung speichern, die dein Player erkennt. Ersteres kommt aus Probelesen und Bewerten, Letzteres aus neu Speichern. Beide lösen verschiedene Probleme.
Fünf Erscheinungen, fünf Ursachen
Zeichensalat entsteht nicht zufällig – sein Aussehen verrät die Ursache:
- Klumpen von Akzentbuchstaben (`ä½ å¥½`): UTF-8-Chinesisch als 1-Byte-Kodierung gelesen – Chinesisch belegt in UTF-8 drei Bytes pro Zeichen, und Byte für Byte gelesen wird jedes Byte zum eigenen Buchstaben
- Reihen von CJK-Zeichen, kein einziges häufiges darunter: UTF-8 als GBK gelesen – die Bytes werden paarweise neu gruppiert und jedes Paar landet auf einem seltenen Zeichen
- Ein Haufen Währungs- und Mathematiksymbole: Bytes sind im Symbolbereich gelandet, typisch für Mac Roman oder eine Latin-1-Variante
- Steuerzeichen eingestreut: Bytes sind im unsichtbaren Steuerbereich gelandet und zeigen sich als Leerräume oder Kästchen
- Das Fragezeichen im Kästchen `�`: Das ist das Ersetzungszeichen, kein Zeichensalat – es heißt „hier stand ein Zeichen, und es war beim Lesen schon verloren"
Warum das Ersetzungszeichen nicht reparierbar ist
Das Ersetzungszeichen ist die Grenzlinie. Ein `�` heißt, dass die Bytes in einem früheren Schritt weggeworfen wurden (meist hat ein Programm die Datei gelesen und neu gespeichert) und nichts davon festgehalten wurde. Dann gibt es nichts, woraus sich schließen ließe – niemand kann das reparieren.
Deshalb behandelt die Reparaturseite zwei Fälle verschieden. Bei hochgeladener Datei sind die ursprünglichen Bytes intakt und jede Kodierung lässt sich durchprobieren; enthält eingefügter Text schon Ersetzungszeichen, sagt sie klar: „nicht reparierbar, bitte Originaldatei hochladen".
Dazu der umgekehrte Fall: Der Inhalt liest sich völlig normal, aber dein Player zeigt weiter Müll. Die Datei ist nicht schuld, der Player hat die falsche Kodierung gewählt. Am Text zu schrauben hilft nicht; speichre eine Kopie als UTF-8 mit BOM oder GBK und gib sie ihm.
Was beim Reparieren verglichen wird
Das Werkzeug probiert jede mögliche Kodierung und bewertet dann jedes Ergebnis: Anteil häufiger Zeichen, Ketten von Akzenten, Ketten von Symbolen, ob die CJK-Reihen Wände aus seltenen Zeichen sind. Das bestbewertete Ergebnis steht oben.
Ist keine Wertung klar besser, wird nichts empfohlen – lieber „das liest sich so schon richtig" sagen, als dir etwas aufzudrängen, das nur entfernt nach Sprache aussieht. Zwei Mal falsch behandelter Text (einmal falsch gespeichert, einmal falsch repariert) bekommt für die ersten Kandidaten eine Runde Rückwärtsrechnung extra.
Die richtige Kodierung zu speichern beendet die Arbeit
Reparierter Text muss trotzdem als Kodierung gespeichert werden, die dein Player erkennt. Player unter Windows verlassen sich meist auf das BOM, deshalb ist UTF-8 mit BOM am unkompliziertesten; alte Geräte und manche regionalen Player wollen GBK. Wählbar sind UTF-8, UTF-8 (mit BOM), GBK, Big5, Shift_JIS und EUC-KR, und passt etwas nicht hinein, wirst du aufgefordert, ein anderes zu nehmen (GBK fasst kein Koreanisch).
Verwandte Werkzeuge und Ratgeber
Der komplette Ablauf in Untertitel mit Zeichensalat reparieren; was in einer SRT-Datei wirklich steht, in Was in einer SRT-Datei steht; Kodierung in Ordnung, aber Inhalt schmutzig (Wasserzeichen, Werbung, Hörgeschädigt-Hinweise) – Untertitel säubern.