ଫାଇଲ୍ଟି ଠିକ୍ ଅଛି — ଏହା ଭୁଲ୍ ପଢ଼ାଯାଇଥିଲା
ଏକ ସବ୍ଟାଇଟଲ୍ ଫାଇଲ୍ ଯାହା ସଞ୍ଚୟ କରେ ତାହା ହେଉଛି ବାଇଟ୍। ବାଇଟ୍ଗୁଡ଼ିକୁ ବର୍ଣ୍ଣରେ ପରିଣତ କରିବା ପାଇଁ ଏହା ଜାଣିବା ଆବଶ୍ୟକ ହୁଏ ଯେ ସେଗୁଡ଼ିକ କେଉଁ ଏକୋଡିଂରେ ଲେଖାଯାଇଥିଲା — ଏହାକୁ ଭୁଲ୍ କରନ୍ତୁ ଏବଂ ଆପଣ mojibake ପାଆନ୍ତି। ଫାଇଲ୍ରୁ ଗୋଟିଏ ବି ବାଇଟ୍ ନାହିଁ ନାହିଁ; ସଠିକ୍ ଏକୋଡିଂ ସହିତ ଏହାକୁ ପୁନର୍ବାର ପଢ଼ନ୍ତୁ ଏବଂ ବର୍ଣ୍ଣଗୁଡ଼ିକ ଫେରିଆସନ୍ତି।
ଏହା କାମକୁ ଦୁଇ ଭାଗରେ ବିଭକ୍ତ କରେ: ଏହା କେଉଁ ଏକୋଡିଂ ଭାବରେ ଆରମ୍ଭ ହୋଇଥିଲା ତାହା ବାହାର କରିବା, ଏବଂ ଆପଣଙ୍କ ପ୍ଲେୟାର ଚିହ୍ନଟ କରିପାରୁଥିବା ଏକ ଏକୋଡିଂ ଭାବରେ ଏହାକୁ ସଞ୍ଚୟ କରିବା। ପ୍ରଥମଟି ଟ୍ରାଏଲ୍ ଡିକୋଡିଂ ଏବଂ ସ୍କୋରିଂରୁ ଆସେ, ଦ୍ୱିତୀୟଟି ଏକ କପି ସଞ୍ଚୟ କରିବାରୁ। ସେଗୁଡ଼ିକ ବିଭିନ୍ନ ସମସ୍ୟାର ସମାଧାନ କରନ୍ତି।
ପାଞ୍ଚଟି ରୂପ, ପାଞ୍ଚଟି କାରଣ
Mojibake ଯାଦୁକରୀ ନୁହେଁ — ଏହା କିପରି ଦେଖାଯାଏ ତାହା ପ୍ରକାଶ କରେ ଯେ ଏହା କ’ଣ କାରଣରୁ ଘଟିଛି:
କାହିଁକି ପ୍ରତିସ୍ଥାପନ ବର୍ଣ୍ଣକୁ ମରାମତି କରାଯାଇପାରିବ ନାହିଁ
ପ୍ରତିସ୍ଥାପନ ବର୍ଣ୍ଣ ହେଉଛି ବିଭାଜକ ରେଖା। ଏକ `�` ର ଅର୍ଥ ହେଉଛି ବାଇଟ୍ଗୁଡ଼ିକ ପୂର୍ବରୁ ଏକ ପୂର୍ବବର୍ତ୍ତୀ ପଦ୍ଧତିରେ (ସାଧାରଣତଃ ଫାଇଲ୍ ପଢ଼ିବା ଏବଂ ଏହାକୁ ପୁନର୍ବାର ସଞ୍ଚୟ କରିବାର କିଛି ପ୍ରୋଗ୍ରାମ) ଫିଙ୍ଗି ଦିଆଯାଇଥିଲା, ଏବଂ କ’ଣ ଖସିଗଲା ସେ ବିଷୟରେ କିଛି ରେକର୍ଡ କରାଯାଇ ନଥିଲା। ସେହି ସମୟରେ ପଛକୁ ଯୁକ୍ତି କରିବା ପାଇଁ କିଛି ନାହିଁ — କେହି ମଧ୍ୟ ଏହାକୁ ମରାମତି କରିପାରିବେ ନାହିଁ।
ତେଣୁ ମରାମତି ପୃଷ୍ଠାଟି ଦୁଇଟି ମାମଲାକୁ ଭିନ୍ନ ଭାବରେ ପରିଚାଳନା କରେ। ଏକ ଫାଇଲ୍ ଅପଲୋଡ୍ କରନ୍ତୁ ଏବଂ ମୂଳ ବାଇଟ୍ଗୁଡ଼ିକ ଅକ୍ଷୁର୍ଣ୍ଣ ଥାଏ, ଯାହାଫଳରେ ଏହା ପ୍ରତ୍ୟେକ ଏକୋଡିଂ ଚେଷ୍ଟା କରିବାକୁ ଦିଏ; ଯଦି ପେଷ୍ଟ୍ ହୋଇଥିବା ଟେକ୍ସଟ୍ରେ ପୂର୍ବରୁ ପ୍ରତିସ୍ଥାପନ ବର୍ଣ୍ଣ ଅଛି, ତେବେ ଏହା ସ୍ପଷ୍ଟ ଭାବରେ କହେ: "ମରାମତି କରାଯାଇପାରିବ ନାହିଁ, ଦୟାକରି ମୂଳ ଫାଇଲ୍ ଅପଲୋଡ୍ କରନ୍ତୁ"।
ଏକ ବିପରୀତ ମାମଲା ମଧ୍ୟ ଅଛି: ବିଷୟବସ୍ତୁ ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ପଢ଼ାଯାଏ କିନ୍ତୁ ଆପଣଙ୍କ ପ୍ଲେୟାର ଏବେବି ଅଳିଆ ଦେଖାଏ। ଫାଇଲ୍ଟି ଦୋଷୀ ନୁହେଁ — ପ୍ଲେୟାରଟି ଭୁଲ୍ ଏକୋଡିଂ ବାଛିଛି। ଟେକ୍ସଟ୍ ଏଡିଟ୍ କରିବା ସାହାଯ୍ୟ କରିବ ନାହିଁ; BOM କିମ୍ବା GBK ସହିତ UTF-8 ଭାବରେ ଏକ କପି ସଞ୍ଚୟ କରନ୍ତୁ ଏବଂ ଏହାକୁ ପ୍ରଦାନ କରନ୍ତୁ।
ମରାମତି କରିବା ସମୟରେ ଏହା କ’ଣ ତୁଳନା କରୁଛି
ଟୁଲ୍ଟି ପ୍ରତ୍ୟେକ ସମ୍ଭାବ୍ୟ ଏକୋଡିଂ ଚେଷ୍ଟା କରେ, ତାପରେ ପ୍ରତ୍ୟେକ ଫଳାଫଳକୁ ସ୍କୋର୍ କରେ: ଏହାର କେତେ ଅଂଶ ସାଧାରଣ ବର୍ଣ୍ଣ ଦ୍ୱାରା ତିଆରି, ଆସେଣ୍ଟ୍ର ଧାଡ଼ି, ପ୍ରତୀକର ଧାଡ଼ି ଅଛି କି ନାହିଁ, CJK ଧାଡ଼ିଗୁଡ଼ିକ ଅସ୍ପଷ୍ଟ ବର୍ଣ୍ଣର କାନ୍ଥ କି ନାହିଁ। ସର୍ବୋତ୍ତମ-ସ୍କୋରିଂ ଫଳାଫଳ ତାଲିକାର ଶୀର୍ଷକୁ ଯାଏ।
ଯଦି କୌଣସି ସ୍କୋର୍ ସ୍ପଷ୍ଟ ଭାବରେ ଭଲ ନୁହେଁ, ତେବେ କିଛି ମଧ୍ୟ ସୁପାରିଶ କରାଯାଏ ନାହିଁ — ଏହା "ଏହା ଯେପରି ଅଛି ସେପରି ଭାବରେ ପଢ଼ାଯାଏ" କହିବା ଅପେକ୍ଷା ଏପରି କିଛି ସହିତ ଆପଣଙ୍କୁ ଠକିବା ଭାବରେ ଯାହା କେବଳ ଅସ୍ପଷ୍ଟ ଭାବରେ ଭାଷା ସହିତ ସମାନ। ଦୁଇଥର କ୍ଷତିଗ୍ରସ୍ତ ଟେକ୍ସଟ୍ (ଥରେ ଭୁଲ୍ ଭାବରେ ସଞ୍ଚିତ, ତାପରେ ଥରେ ଭୁଲ୍ ଭାବରେ ମରାମତି) ଶୀର୍ଷ ପ୍ରାର୍ଥୀଙ୍କ ଉପରେ ପଛ-ସମାଧାନର ଏକ ଅତିରିକ୍ତ ରାଉଣ୍ଡ୍ ପାଏ।
ସଠିକ୍ ଏକୋଡିଂ ସଞ୍ଚୟ କରିବା କାମ ଶେଷ କରେ
ମରାମତି ହୋଇଥିବା ଟେକ୍ସଟ୍କୁ ଏପରି ଏକ ଏକୋଡିଂ ଭାବରେ ସଞ୍ଚୟ କରିବାକୁ ପଡ଼ିବ ଯାହା ଆପଣଙ୍କ ପ୍ଲେୟାର ଚିହ୍ନଟ କରେ। Windows ରେ ଥିବା ପ୍ଲେୟାରଗୁଡ଼ିକ సాధారణତଃ ଏକୋଡିଂ ଚିହ୍ନଟ କରିବା ପାଇଁ BOM ଉପରେ ନିର୍ଭର କରନ୍ତି, ତେଣୁ BOM ସହିତ UTF-8 ହେଉଛି ସବୁଠାରୁ କମ୍ ଝମେଲା; ପୁରୁଣା ହାର୍ଡୱେର୍ ଏବଂ କିଛି ଆଞ୍ଚଳିକ ପ୍ଲେୟାର GBK ଚାହାଁନ୍ତି। ଆପଣ UTF-8, UTF-8 (BOM ସହିତ), GBK, Big5, Shift_JIS କିମ୍ବା EUC-KR ବାଛିପାରին୍ଟି, ଏବଂ ଯଦି କିଛି ମେଳ ଖାଏ ନାହିଁ ତେବେ ଆପଣଙ୍କୁ ଅନ୍ୟଟି ବାଛିବା ପାଇଁ କୁହାଯିବ (GBK ကိုରିଆନ୍ ଧାରଣ କରିପାରିବ ନାହିଁ)।
ସମ୍ପର୍କିତ ଟୁଲ୍ ଏବଂ ଗାଇଡ୍ଗୁଡ଼ିକ
ସମ୍ପୂର୍ଣ୍ଣ ୱାକ୍ଥ୍ରୁ — mojibake ସବ୍ଟାଇଟଲ୍ଗୁଡ଼ିକୁ କିପରି ମରାମତି କରିବେ; ଏକ SRT ଫାଇଲ୍ ପ୍ରକୃତରେ କ’ଣ ସଞ୍ଚୟ କରେ — SRT ଫାଇଲ୍ ଭିତରେ କ’ଣ ଅଛି; ଏକୋଡିଂ ଠିକ୍ ଅଛି କିନ୍ତୁ ବିଷୟବସ୍ତୁ ଅପରିଷ୍କାର ଅଛି (ୱାଟରମାର୍କ, ବିଜ୍ଞାପନ, ଶ୍ରବଣ-କ୍ଷତିଗ୍ରସ୍ତ ଟ୍ୟାଗ୍) — ସବ୍ଟାଇଟଲ୍ ପରିଷ୍କାର କରଣ.