none
grey

Video-Segmentierung auf Grundlage des Maschinellen Lernens

Da die Broadcast-Industrie den Übergang von TV zu OTT vollzieht, ist es unerlässlich, neue lineare Kanäle zu erschließen oder Inhalte schneller für VOD-Plattformen verfügbar zu machen. TV-Netzwerke und Entwickler der Inhalte für OTT haben heute mit dem doppelten Problem zu kämpfen, die Benutzerbasis zu vergrößern und aktive Abonnenten zu halten, um wirtschaftlich lebensfähig zu sein.

Wesentliche inhaltliche Herausforderungen für die Rundfunkanstalten im Jahr 2017 und darüber hinaus

  • Geschäftsausweitung ohne Vorlaufkosten
  • Implementierung eines Factory-Scale-Modells für die Verarbeitung von Langform-Inhalten
  • Manuelle Fehler durch Automatisierung reduzieren
  • Innovative Geschäftsmodelle erstellen, um Gewinne mit neuen Content-Formaten zu machen

Beschränkungen der traditionellen Senderausstrahlung und der Segmentierung von Inhalten

Herkömmliche Übertragungsinfrastrukturen und Managed Services sind in der Regel anlagenlastig und manuell. Der traditionelle Broadcast-Workflow beinhaltet die Integration mit der Werkzeugkette von Drittanbietern und die Nutzung der Vor-Ort-Infrastruktur , die die Skalierbarkeit und die Durchlaufzeit für Broadcaster einschränken. Darüber hinaus könnte die Verarbeitung großer Multimedia-Dateien für den Rundfunk bedeuten, dass große Teams für Qualitätsprüfungen und Segmentierungen eingesetzt werden müssen. In finanzieller Hinsicht könnte dies die größte Hürde sein, mit der Fernsehsender und Content-Creator konfrontiert sind, wenn es darum geht, schneller über Geographie und Formate hinweg zu expandieren.

Vereinfachte Medienverwaltung und Segmentierung mit Machine Learning und Automatisierung

Die Verarbeitung großer Mengen von Mediendateien erfordert einen kombinatorischen Ansatz. TORNADO Content Preparation Service von Amagi kann sicherstellen, dass TV-Netzwerke schneller skalieren und ihre Inhalte mit minimalem manuellen Eingriff auf mehreren Plattformen zur Verfügung stellen können.

Vorteile des Einsatzes von Machine Learning

  • Verkürzte Durchlaufzeiten durch automatisierte Qualitätskontrolle
  • Automatisierte Content-Segmentierung, bereit für Zukunftsfernsehen
  • Verbessertes Kostenmanagement mit reduziertem Personaleinsatz

Automatisierte, Cloud-basierte Content- und Metadaten-Aggregation von Amagi

Das Machine Learning System von Amagi kann Inhalte und Metadaten von verschiedenen Distributoren auf der ganzen Welt automatisch aggregieren. Das System kann Formate mit Hilfe eines Formatübersetzers dynamisch konvertieren.

Sobald die Inhalte erfasst sind, kann das System von Amagi eine automatisierte Qualitätskontrolle durchführen, um eine konsistente Qualität der Inhalte und Metadaten zu gewährleisten. Basierend auf der Anforderung, kann es spezifische Aktionen wie Hinzufügen oder Entfernen von Farbbalken sowie Countdown-Uhren, oder Erstellen von Segmenten nach Anweisungen ausführen. Schließlich liefert das System über eine Transcode-Farm die aggregierten Inhalte und Metadaten im gewünschten Format und ermöglicht einen sicheren Zugriff über eine benutzerfreundliche Web-Oberfläche.

Von Amagi angebotene Dienste zur Qualitätskontrolle von Rundfunkübertragungen

  • Beispiele der syntaktischen Qualitätskontrolle
    • Erkennung von schwarzen oder von eingefrorenen Rahmen
    • Erkennung der fehlenden Tonsput/Stille
    • Überprüfung der Audio-Video-Synchronisation in geregelten Intervallen
    • Fehler im Inhalts- und Metadatenformat
    • Überprüfung des Untertitel-Timecodes
    • Lautstärke-Fehler (LKFS-Verifikation)
  • Beispiele der semantischen Qualitätskontrolle auf Grundlage des Deep-Learning
    • Es wird geprüft, ob Untertitel vom Kontext her mit Audio- und Video-Inhalten synchronisiert sind.
    • Überprüfung, ob die Inhaltszusammenfassung mit den Audio- und Video-Inhalten synchronisiert ist.
  • Manuelle Qualitätskontrolle
    • Manuelle Prüfung der Ergebnisse der automatisierten Qualitätskontrolle, um eine höhere Genauigkeit zu gewährleisten.

Inhaltssegmentierung auf Grundlage von Machine Learning

  • Automatische Erstellung von Inhaltssegmenten aus Langform-Videos, basierend auf den Vorgaben des Kunden.
  • Erstellen von Werbespots aus dem Video für Marketingzwecke
  • Vorschläge der logischen Zeitpunkte oder Segmente für Werbung
  • Automatisches Extrahieren von Metadaten aus dem Video

Erste Schritte

Sprechen Sie mit unseren Berater über Broadcast-Ausstrahlung, um Machine-Learning-basierte Dienste zur Inhaltssegmentierung für Ihren Fernsehsender zu finden. Schreiben Sie uns eine Nachricht!

Interessiert in:






Back to Top