短视频平台上活跃着大量"滚动小说"类型的内容——画面是纯色或图片背景，文字从下往上缓慢滚动，观众像读电子书一样"读"视频。这类视频的观看体验很好，但如果你想把这些文字保存下来（做笔记、翻译、或者重新整理），就需要从视频中提取文字。

本教程介绍的方案专门针对这种滚屏文字场景，使用 OpenCV 做背景建模、PaddleOCR 做中文字识别，配合跨帧去重和 LLM 通顺性修正，最终输出干净完整的文本。

和普通字幕提取的区别

这也是 OCR 视频提取，但它处理的场景和之前介绍的视频字幕提取不同：

	普通字幕提取	滚屏文字提取
文字位置	固定在画面底部或中间	从下往上持续滚动
背景	通常是半透明黑底	纯色底或复杂图片
帧间变化	字幕切换时才变	每帧都在移动
核心挑战	检测字幕区域	去重 + 排序（滚屏文字在帧间可能交错）

技术流程

整个提取流程分为 4 步：

1. 抽帧 — ffmpeg 按指定帧率从视频中提取关键帧（默认每 5 秒 1 帧）
2. 预处理 — 根据背景类型选择模式：
   • raw 模式：直接用原图做 OCR，适合白底、米色底、橙红底等纯色背景
   • diff 模式：多帧构建背景模型（取最大值），原图减去背景后再 OCR，适合照片、水印等复杂背景
3. OCR 识别 — PaddleOCR 逐帧识别中文字符，边缘安全区校准（排除顶部标题栏、底部进度条等非正文区域）
4. 跨帧去重 + LLM 修正 — 消除连续帧中重复的文字，对字符误识别做通顺性修正

安装依赖

需要 Python 3.9+、ffmpeg、以及几个 Python 包。

macOS

brew install ffmpeg
pip install opencv-python numpy paddleocr paddlepaddle

# 验证
python3 -c "import cv2, paddle; from paddleocr import PaddleOCR; print('OK')"

Windows

推荐 Miniconda 独立环境，版本需锁定（PaddlePaddle 3.x 在 Windows 上有兼容问题）。

# 创建 conda 环境
conda create -n ocr python=3.10 -y
conda activate ocr

# 关键：版本必须锁定
pip install "paddlepaddle==2.6.2" "paddleocr==2.9.1" opencv-python "numpy<2"

# 安装 ffmpeg（通过 winget）
winget install Gyan.FFmpeg
winget install Microsoft.VCRedist.2015+.x64

Linux

sudo apt install ffmpeg
pip install opencv-python numpy paddleocr paddlepaddle

选择抽帧间隔

抽帧间隔是影响提取质量的最关键参数。原则是：观察视频中一屏文字从出现到完全滚出大约需要几秒。

文字停留时长	选择间隔	命令参数	说明
8 秒以上	5 秒（默认）	--fps 0.2	适合大多数视频，处理最快
5-8 秒	3 秒	--fps 0.333	滚动稍快时使用
不确定	先用 5 秒	--fps 0.2	发现漏字再改短
漏字明显	1 秒	--fps 1	间隔越小越完整，但耗时更长

选择背景模式

模式	适用场景	速度	原理
--mode raw	白底、米色底、橙红底等纯色背景	快	直接用原图 OCR
--mode diff	照片、水印、渐变背景等复杂画面	慢	背景减除后 OCR

运行命令

纯色底视频

python3 scripts/extract.py video.mp4 -o output.txt -y --mode raw

复杂背景视频

python3 scripts/extract.py video.mp4 -o output.txt -y --mode diff

自定义抽帧频率

# 每 1 秒 1 帧（滚动较快或漏字时）
python3 scripts/extract.py video.mp4 -y --mode raw --fps 1

# 每 10 秒 1 帧（滚动较慢，节省时间）
python3 scripts/extract.py video.mp4 -y --mode raw --fps 0.1

参数说明：

• -o output.txt — 输出文件路径
• -y — 跳过交互确认（所有参数已在命令行指定时使用）
• --mode raw/diff — 背景处理模式
• --fps N — 抽帧率
• --crop-top N — 手动裁剪顶部 N 行（排除标题栏，可选）
• --crop-bottom N — 手动裁剪底部 N 行（排除进度条，可选）

结果处理

脚本输出原始文本后，还需要以下步骤让文本更干净：

1. 标点规范化 — 将英文标点替换为中文标点（, → ，、" → " "），注意数字和英文单词中的保留原样
2. 行序修正 — 滚屏文字在帧之间可能交错，需要按内容逻辑重新排序
3. 字符修正 — 修正 OCR 常见的形近字误识别（如 "己"/"已"、"末"/"未"）
4. 引号配对 — 通读全文确保双引号左右数量一致

常见问题

纯色底用 raw 还是 diff？

纯色底（白色、米色、单色）直接用 --mode raw，速度快且效果一样好。diff 模式是为了处理复杂背景的，用在纯色底上没必要。

抽帧间隔怎么选？

关键看文字的滚动速度。播放视频，看一屏文字从出现到完全滚出需要几秒。通常 5 秒/帧是一个好的起点，处理完发现漏字再缩短间隔。

一行文字被切成两半怎么办？

可能是抽帧时机刚好卡在文字滚动到一半的时候。缩短抽帧间隔（如从 5 秒改为 3 秒）通常能解决。如果持续出现，检查 --edge-margin 参数。

📌 本教程介绍的方法完全在本地运行，视频文件不会上传到任何服务器。适合处理包含敏感内容的视频。如需提取普通字幕（非滚动），可参考 视频字幕提取教程。