none
Search

隨著廣播業從電視轉變到OTT模式,啟動新的線性頻道或更快地實現視頻點播平臺內容可播放已經成為當務之急。如今電視網路和OTT內容創作者們正在努力解決日益增長的用戶基礎與保持活躍用戶的雙重問題。

2017年及以後廣播公司面臨的主要內容挑戰

  • 擴大業務而不產生前期成本
  • 對長格式內容實施工廠規模模型
  • 採用自動化,減少手動錯誤
  • 創造創新的商業模式,以新的內容格式賺取收益

傳統頻道播放與內容分段服務的局限性

傳統的廣播基礎設施與管理服務往往是資產密集型,本質上是手動。傳統廣播工作流涉及到協力廠商工具鏈的集成,使用了限制廣播可伸縮性與時間周轉的本機存放區。此外,為廣播處理大型多媒體檔可能需要配置大型團隊進行品質檢查與分段。從財務角度看,更快地對地理和格式方面進行擴展時,這可能是電視頻道及內容創作者面臨的最大障礙。

用機器學習與自動化簡化媒體管理與分段

處理大量的媒體檔需要組合方法。Amagi的TORNADO內容準備服務可以確保電視網路更快傳播,讓內容在最少人工干預的多個平臺播出。

使用機器學習服務的好處

  • 通過自動化驅動品質管制減少周轉時間
  • 自動內容分段,為未來的電視節目做好準備
  • 減少人為干預改善成本管理

Amagi基於雲計算的自動化內容與元數據集合

Amagi機器學習系統可以從世界各地各個發布商自動聚合內容與元數據。系統可以使用格式轉換器動態轉換格式。

獲取內容後,Amagi系統可以自動完成品質管制保證內容與元數據保持一致性。根據這一需求,它可以執行特定操作,如添加或刪除色彩條文、倒計時時鐘/平板,或按指示創建分段。最後,系統使用轉碼處理機按所需格式提供聚合內容和元數據,同時也保證了安全訪問使用者友好型的網絡介面。

由Amagi提供的廣播品質管制服務

  • 句法層面的品質管制示例
    • 黑幀、凍結幀檢測
    • 缺失音訊/靜音檢測
    • 規定時間間隔內驗證音訊視頻同步
    • 內容及元數據格式錯誤
    • 字幕時間碼驗
    • 響度誤差(LKFS驗證)
  • 基於語義深層學習的品質檢驗實例
    • 查看字幕與視頻內容是否上下文同步
    • 查看內容摘要是否與視頻內容同步
  • 手動品質管制
    • 手動驗證自動化品質管制結果確保更高的準確性

基於機器學習的內容分段服務

  • 根據客戶提供的規格自動從長格式視頻中創建內容分段
  • 根據行銷目的在視頻中創建廣告
  • 建議符合邏輯的中途廣告或分段
  • 自動從視頻中提取元數據

開始的第一步

與Amagi 團隊的廣播顧問聯繫,了解基於機器學習的內容分段科技如何可為你的電視頻道提供服務。 Drop us a note!

感興趣的內容:






Back to Top