研究了一下各种字幕，因为字幕是 ATLAS 双语句对的一大来源。

[Ziyuan Yao]

研究了一下各种字幕，因为字幕是 ATLAS 双语句对的一大来源。
字幕有两个问题。一个是版权问题，一个是如何知道一句话是否结束。
商业电影和电视剧显然基本上都是有版权的，所以它们的字幕属于法律上的灰色地带——理论上是违反版权的，但实际上如果告这些字幕网站没有油水可赚，电影公司对它们也就睁一只眼闭一只眼。
但也有一些电影、视频是版权过期或者基于某种开放的许可证发布的（如 TEDtalk、MIT OpenCourseWare），这些视频的字幕基本上就没法律问题。
再说说如何知道一句话是否结束。我们知道英语的句号是“.”，但这个符号未必表示一句话结束了，例如在“Mr.”、“U.S.”里的“.”。
这个问题有一些解决办法，但没有哪一种是万能的。
一种办法是，如果一句英文字幕以“.”结尾，且下一句字幕开始的时间比这句字幕结束的时间至少要晚 1 秒钟，我们就可以认为这个“.”真的就是一句话的结束。
第二个办法是，如果一句英文字幕以“.”结尾，而且对应的中文字幕以“。”结尾，那么显然这个“.”也是句号。但问题是，很多中文字幕文件其实是不写“。”的。
第三个办法更复杂，就是要整理出一个“非句尾单词列表”，比如 Mr. 这个单词肯定不代表句子结束。另外还要整理一个“可能句尾单词列表”，比如 U.S. 这个单词可能在句尾也可能在句中。对于这种单词，一律当作句子没有结束来处理。
呃，所以其实这两个列表是一个列表。
我们只要对英语整出这么个列表，就能自动知道一句英文字幕的末尾是否是一句话的结束，同时也就知道了对应的其它语言字幕的末尾是不是一句话的结束。。
所以说总的来说还是不错的，毕竟我们不需要对每一种语言整出这么一个单词列表。

[yuzh...@google.com]

Good idea!