הקובץ לא נהרס, הוא נקרא לא נכון
בקובץ הכתוביות שמורים בתים. כדי שהבתים יהפכו לתווים צריך לדעת באיזה קידוד הם נכתבו – אם הבחירה הזו משתבשת, התוצאה היא תווים שבורים. מהקובץ לא חסר אף בית: קראו אותו בקידוד אחר והתווים חוזרים.
לכן בשיבוש יש שתי משימות: לזהות באיזה קידוד הוא נכתב ולשמור בקידוד שהנגן מזהה. הראשונה נעשית בניסיון קריאה וניקוד, השנייה בשמירה. הן פותרות בעיות שונות.
חמש צורות, חמש סיבות
השיבוש לא נוצר במקרה – הצורה שלו חושפת את הסיבה ישירות:
- אותיות עם סימני הטעמה בשורות (`ä½ å¥½`): הסינית של UTF-8 נקראה כקידוד חד-ביתי – סינית ב-UTF-8 היא שלושה בתים לתו, וקריאה חד-ביתית מתייחסת לכל בית כאל אות נפרדת
- תווים סיניים בשורות בלי אף תו נפוץ (`浣犲ソ`): UTF-8 נקרא כ-GBK – הבתים זווגו מחדש בזוגות ויצאו תווים נדירים
- סמלי מטבע וסמלים מתמטיים: הבתים נפלו לאזור הסמלים, נפוץ כשקוראים את הקובץ כ-Mac Roman או Latin-1
- תווי בקרה שנכנסו פנימה: הבתים נפלו לאזור בקרה בלתי נראה, ועל המסך זה נראה כרווח או ריבועים
- סימן שאלה מרובע `�`: זה תו החלפה, לא שיבוש – הוא אומר שכאן היה תו שאבד כבר בשלב הקריאה
למה את תו ההחלפה אי אפשר לתקן
תו ההחלפה הוא קו הגבול הקריטי. כשמופיע `�`, הבתים אבדו בשלב מוקדם יותר (בדרך כלל תוכנה כלשהי קראה את הקובץ ושמרה אותו מחדש), ועל החלק שאבד אין שום תיעוד. אז להיסק לאחור אין בסיס – איש לא יחזיר את זה.
לכן עמוד התיקון מטפל בשני מצבים בצורה שונה: כששולחים קובץ הבתים המקוריים קיימים ואפשר לנסות את כל הקידודים; אם בתוכן שהודבק כבר יש תו החלפה, נאמר במפורש שהתיקון לא יצלח ומבקשים את הקובץ המקורי.
וכדאי לשים לב למצב ההפוך: התוכן נקרא תקין לגמרי, אבל בנגן עדיין רואים שיבוש. זו לא אשמת הקובץ אלא הנגן שבחר קידוד לא נכון. שינוי הקובץ לא יעזור – שמרו עותק כ-UTF-8 עם BOM או GBK ותנו לו.
מה משווים בתיקון
הכלי מנסה כל קידוד אפשרי ונותן לכל תוצאה ניקוד: כמה תווים נפוצים, יש שורות של סימני הטעמה, יש שורות של סמלים, האם התווים הסיניים נדירים ובגושים. התוצאה עם הניקוד הגבוה ביותר מופיעה ראשונה.
אם הניקוד לא טוב באופן ברור, לא מומלץ כלום – עדיף לומר שזה נקרא תקין מאשר לתת תוצאה מאולצת. למי שנשמר לא נכון פעמיים מבוצעת עוד שכבה אחת של היסק לאחור.
רק הקידוד הנכון מסיים את העבודה
גם את הטקסט המתוקן צריך לשמור בקידוד שהנגן מזהה. נגני Windows מזהים קידוד בדרך כלל לפי BOM, ולכן UTF-8 עם BOM הוא הכי פשוט; מכשירים ישנים ונגנים סיניים מזהים GBK. האפשרויות הן UTF-8, UTF-8 (עם BOM), GBK, Big5, Shift_JIS ו-EUC-KR; אם לא נכנס, יוצע להחליף.
כלים ומדריכים קשורים
התהליך המלא בעמוד איך להשתמש בתיקון תווים שבורים; מה באמת יש בקובץ SRT בעמוד מה כתוב בקובץ SRT; אם הקידוד תקין אבל התוכן מלוכלך (סימני מים, פרסומות, הערות לכבדי שמיעה) השתמשו בניקוי כתוביות.