Anda berdiri di garis konsesi. Soundtracknya membengkak, dan sebuah lagu terdengar cukup keras hingga membuat Anda berhenti dan mendengarkan. Anda menyukainya. Anda hanya tidak tahu namanya. Atau artisnya.
Jadi, kamu mengeluarkan ponselmu. Hubungi nomor. Dekatkan penerima ke speaker. Beberapa detik kemudian, sebuah teks muncul. Judul lagu. Artis. Tautan untuk membelinya. Selesai.
Ini bukanlah keajaiban. Ini adalah perangkat lunak pengenalan konten.
Program-program ini tidak hanya mengidentifikasi lagu-lagu yang diputar di bioskop. Mereka menjadi pertahanan utama terhadap pelanggaran hak cipta. Bagi artis indie dan perusahaan besar, ini adalah penyelamat. Internet telah memudahkan untuk mengakses konten tanpa membayar. Jaringan peer-to-peer. Layanan berbagi file. YouTube. Para pemukul berat.
Sampai saat ini, perusahaan tidak punya pilihan selain mengandalkan manusia untuk menangkap pelanggaran. Itu adalah perburuan manual. Karyawan harus menjelajahi platform untuk mendapatkan rekaman hak milik. Mereka harus mencatat laporan. Itu membosankan. Tidak efisien. Lambat.
YouTube, misalnya, sering kali mengandalkan penggunanya untuk menandai materi yang tidak pantas. Namun pelanggaran hak cipta tidak selalu “tidak pantas” dalam arti moral. Itu hanya ilegal. Dan tidak semua pengguna mengetahui perbedaannya.
Jadi sebagian besar perusahaan terjebak dalam ketergantungan pada staf untuk mengungkap klip dan mengarsipkan dokumen. Proses itu akan menjadi usang.
Зміст
Mengembangkan Perangkat Lunak
Peralihan dari deteksi manusia ke pengenalan otomatis mengubah segalanya. Daripada menunggu pengguna mengeluh, perangkat lunak dapat memindai jutaan unggahan secara real time. Ini membandingkan sidik jari audio dan video dengan database karya yang diketahui.
Beginilah cara kerjanya. Dan mengapa itu penting.
Perusahaan meluncurkan alat yang memindai file audio dan video ke database besar untuk menandai materi berhak cipta. Ini menawarkan cara yang murah dan efisien untuk mengawasi internet, jauh lebih baik daripada berharap seorang teman mengenali lagu yang diputar di kedai kopi.
Membangun perangkat lunak ini tidaklah sederhana. File tersedia dalam lusinan format. File WAV dan file MP3-nya terlihat sangat berbeda dalam kode. Bahkan dalam format yang sama, kecepatan bit bervariasi. Dua MP3 dari track yang sama mungkin tidak cocok karena perbedaan kompresi. Rekaman telepon menambah masalah kebisingan dan kualitas.
Bajak laut juga mengubah sumbernya. Mereka memfilmkan film di bioskop dengan kamera genggam. Beberapa proyektor merekam secara digital dari bilik. Yang lain memotong atau mengedit video. Pencocokan kode sederhana gagal di sini. Pengidentifikasi harus menangani distorsi ini.
Perangkat Lunak Pengenalan Konten – Audio
Mengidentifikasi audio memerlukan pendekatan yang berbeda dari sekadar membandingkan kode mentah. Tujuannya adalah untuk mengenali konten, bukan pembungkus file.
Algoritma mencari pola unik dalam gelombang suara. Pola-pola ini tetap ada meskipun file dikonversi atau dikompresi. Sistem membuat “sidik jari” dari trek. Sidik jari ini mengabaikan kebisingan latar belakang. Itu bertahan dengan kualitas rekaman yang buruk. Ini berfungsi meskipun temponya sedikit bergeser.
Metode ini memecahkan masalah format. Tidak masalah jika inputnya berupa MP3, AAC, atau rekaman telepon berkualitas rendah. Melodi dan ritme inti tetap dapat dideteksi.
Prosesnya melibatkan ekstraksi fitur spektral utama. Ini adalah puncak dan lembah yang berbeda dalam frekuensi audio. Perangkat lunak membandingkannya dengan perpustakaan yang dikenal. Kecocokan memicu peringatan. Hal ini memungkinkan platform memblokir atau memonetisasi konten secara otomatis.
Akurasi adalah kendala utama. Positif palsu menyia-nyiakan sumber daya. Negatif palsu membuat pembajakan menurun. Sistem terbaik menyeimbangkan sensitivitas dan presisi. Mereka belajar dari umpan balik pengguna. Hal ini meningkatkan deteksi dari waktu ke waktu.
Karena pengenalan video mengikuti logika serupa, risikonya pun meningkat. Video mencakup data visual. Hal ini menambah kompleksitas. Namun untuk audio, fokusnya adalah menjaga jiwa lagunya. Itulah yang membuatnya dapat dikenali.
Membangun database konten dimulai dengan premis sederhana: Anda memerlukan sesuatu untuk dibandingkan. Untuk label rekaman, “sesuatu” itu adalah keseluruhan katalog belakang. Perangkat lunak ini tidak hanya membaca metadata. Ia mendengarkan. Ini membedah bentuk gelombang audio sebenarnya untuk menghasilkan tag digital unik, yang dikenal sebagai sidik jari atau tanda tangan.
Proses ini mengabaikan pengkodean file. Itu terlihat pada suara mentahnya. Beberapa alat fokus pada tempo dan pola ketukan. Yang lain mengukur amplitudo dan frekuensi. Biasanya, perangkat lunak mengambil beberapa detik sampel dari rekaman untuk membuat profil. Beberapa pesaing menganalisis seluruh klip untuk mendapatkan presisi maksimum. Satu produk tertentu mencari tengara —momen akustik yang khas—dan kemudian memeriksa suara di sekitarnya. Tujuannya sederhana. Jika penandanya jelas, pemindaian akan mudah.
Matematika di Balik Musik
Program-program ini mengandalkan algoritma untuk melakukan pekerjaan berat. Sebagian besar menggunakan algoritma Fast Fourier Transform (FFT). Ini adalah metode matematika yang memecah sinyal kompleks. Ini melacak perubahan dalam data. Baik itu perubahan tempo, perubahan detak per menit, atau fluktuasi amplitudo, FFT memetakannya. Hasilnya diubah menjadi sidik jari digital numerik.
Setelah database terisi, perusahaan dapat menggunakannya untuk dua tujuan utama: membantu pelanggan menemukan lagu atau mencari pelanggaran hak cipta. Caranya tetap sama. Perangkat lunak ini mengambil klip audio yang tidak diketahui. Ini menganalisisnya persis seperti entri katalog. Ini menghasilkan hash —kode pendek yang sepenuhnya didasarkan pada konten audio. Kemudian mencocokkan sidik jari baru ini dengan sidik jari yang disimpan. Langkah selanjutnya adalah mencari tahu logika pencocokannya.
Penyaringan untuk Telinga Manusia
Untuk memastikan perangkat lunak berfungsi apa pun format file, pemrogram memfilter masukan. Mereka hanya fokus pada suara dalam jangkauan pendengaran manusia. Ini mencerminkan cara kerja kompresi MP3. MP3 berukuran kecil karena membuang frekuensi yang tidak dapat didengar manusia. Perangkat lunak pengenalan konten melakukan hal yang sama. Ini mengabaikan spektrum penuh dari rekaman aslinya. Jika tidak, versi MP3 tersebut mungkin tidak akan cocok dengan versi MP3 berkualitas rendah dari lagu yang sama. Sistem harus berbicara dalam bahasa akustik yang sama dengan file terkompresi yang dimiliki pengguna.
Klip suara jarang sampai dalam keadaan murni. Anda mungkin memberi sistem loop terpotong, versi cover, atau cuplikan yang berpindah ke melodi lagu lain. Di sinilah algoritma berperan. Tugas mereka adalah mengambil sidik jari audio yang masuk dan mencari kecocokan di database. Mereka tidak hanya mencari salinan persisnya. Mereka mencari kecocokan dalam rentang probabilitas tertentu.
Anggap saja seperti pekerjaan forensik kuno. Sebelum kita memiliki perangkat lunak yang canggih, para ahli mencocokkan tersangka dengan TKP dengan tangan. Mereka mencari titik kesamaan. Saat itu, seorang spesialis harus menunjukkan setidaknya 16 poin yang cocok untuk menyebutnya sukses. Perangkat lunak modern melakukan hal serupa, tetapi ia menghitung peluang alih-alih menghitung titik.
Tidak ada standar tunggal mengenai berapa banyak tumpang tindih yang dihitung sebagai sebuah kecocokan. Sebagian besar platform pengenalan konten memungkinkan Anda mengubah sensitivitasnya. Hanya ingin hits yang tak terbantahkan? Tetapkan ambang batas menjadi 95 persen atau lebih tinggi. Jika algoritmanya tidak yakin, ia tidak akan menebak-nebak saja. Ini mengirimkan pesan kesalahan kembali ke pengguna. Anda juga dapat menurunkan standar tersebut jika Anda ingin mengetahui kejadian nyaris celaka, meskipun hal ini memiliki risiko positif palsu yang lebih tinggi.
Setelah perangkat lunak menandai kecocokan, pekerjaan sebenarnya dimulai. Aplikasi mitra mengambil alih. Ini mungkin menarik judul lagu untuk aplikasi penemuan musik. Atau mungkin mengingatkan admin situs web. Perusahaan rekaman menggunakan teknologi ini untuk memindai jaringan berbagi file. Mereka melacak situs streaming audio untuk menegakkan hak cipta. Analisis keseluruhannya? Itu terjadi dalam hitungan detik.
Perangkat Lunak Pengenalan Konten – Video
Video menambahkan lapisan kerumitan yang tidak dimiliki audio.
Bagaimana Pengenalan Konten Video Melawan Pembajakan di YouTube
Sidik jari video bukanlah hal baru. Pengenalan audio telah diam-diam melacak musik dan iklan selama bertahun-tahun. Ia bekerja dengan mengubah gelombang suara menjadi tanda tangan digital. Kemudian memindai database untuk menemukan kecocokan.
Video lebih sulit. Taruhannya lebih tinggi, dan hambatannya bersifat fisik.
Time Warner dan Disney menguji alat identifikasi video baru Google di YouTube. Tujuannya sederhana. Tangkap unggahan film dan acara TV berhak cipta sebelum disebarkan. Namun data video tidak berperilaku seperti audio. Ini berantakan. Itu berubah. Itu akan dipotong.
Masalah Klip Pendek
Sebagian besar video YouTube dalam tahap pengujian dibatasi pada 10 menit atau 100 megabita. Batasan tersebut menimbulkan kesenjangan yang sangat besar. Satu klip dapat berupa potongan 10 menit apa pun dari film berdurasi dua jam.
Perangkat lunak perlu mengenali bagian kecil dari keseluruhan. Google tidak merilis algoritma pastinya. Metode yang mungkin dilakukan adalah dengan membagi karya asli yang dilindungi hak cipta menjadi beberapa bagian yang tumpang tindih. Setiap potongan mendapatkan sidik jarinya sendiri.
Saat pengunggahan terjadi, sistem akan memeriksa potongan tersebut dengan perpustakaan. Ini adalah masalah yang sangat rumit. Jarumnya kecil. Tumpukan jerami sangat besar. Dan tumpukan jerami terus bertambah.
Pengeditan dan Anti Pengelakan
Pengunggah tidak pasif. Mereka mencoba merusak sistem.
Pengeditan sederhana dapat membutakan alat pengenalan dasar. Mengubah saturasi warna? Itu menghilangkan pencocokan berbasis warna. Memotong bingkai? Ini menghilangkan konteks.
Lalu ada bajak laut. Beberapa merekam film langsung dari layar teater. Yang lain menggunakan kamera genggam pada sudut yang tidak tepat. Gambarnya bergetar. Itu miring. Itu terdistorsi.
Pencocokan resolusi standar gagal di sini. Anda tidak dapat mengandalkan penyelarasan piksel yang sempurna. Video di YouTube tidak terlihat seperti file master di database studio.
Analisis Gerak sebagai Solusi
Pengembang beralih ke gerakan. Daripada hanya melihat frame statis, mereka menganalisis bagaimana piksel bergerak.
Perangkat lunak ini melacak perubahan karakteristik gerakan. Sekalipun warnanya salah atau bingkainya terpotong, pergerakan objek yang mendasarinya tetap sama. Mobil yang melaju di jalan bergerak dengan cara yang sama, terlepas dari goyangan kamera atau gradasi warnanya.
Pendekatan ini menjanjikan. Ini bukanlah solusi terbaik. Rekaman genggam menimbulkan gerakan kacau yang masih dapat membingungkan algoritma. Terkadang, rentang probabilitas suatu pertandingan harus lebar. Pencocokan luas berarti lebih banyak kesalahan positif.
Unsur Manusia Tetap Ada
Peningkatan efisiensi tidak berarti otomatisasi total.
Studio film mungkin masih memerlukan orang sungguhan untuk meninjau klip yang ditandai. Perangkat lunak ini menandai potensi pembajakan. Seorang manusia membenarkannya.
Ini adalah model hibrida. Komputer melakukan pekerjaan berat. Ini memindai jutaan unggahan dalam hitungan detik. Ini mempersempit lapangan. Manusia kemudian memverifikasi serangan tersebut. Alur kerja ini lebih cepat dibandingkan tinjauan manual. Ini tidak instan. Itu lebih pintar.
Pemeliharaan Basis Data Tidak Terbatas
Sekalipun teknologinya bekerja dengan sempurna, logistiknya sangat brutal.
Identifikasi video sedang dalam pengujian. Beberapa perusahaan menunjukkan demo. Peralatan kapal lainnya. Namun pekerjaan itu tidak pernah berakhir.
Film baru dirilis setiap hari. Episode TV ditayangkan setiap minggu. Studio harus terus memperbarui sidik jarinya. Basis data konten yang dikenal bertambah tanpa batas.
Deteksi pembajakan bukanlah perbaikan yang bisa dilakukan satu kali saja. Ini adalah siklus pemeliharaan. Itu membutuhkan pemeliharaan yang konstan. Volume konten video adalah musuh sebenarnya. Teknologi membantu mengelolanya. Hal ini tidak menghilangkan kebutuhan akan hal tersebut.
Pertanyaan yang Sering Dijawab
Apa yang dimaksud dengan pengenalan konten video?
Ini adalah perangkat lunak yang membuat sidik jari digital dari bingkai video. Ini membandingkan sidik jari ini dengan database untuk mengidentifikasi materi berhak cipta. Ini menangani tantangan seperti pemotongan, perubahan warna, dan guncangan kamera.
Bagaimana cara kerja sidik jari video berbasis gerakan?
Ini menganalisis pergerakan piksel dan objek dalam klip video. Hal ini membantu mengidentifikasi konten meskipun kualitas visualnya diubah atau rekamannya diambil dari kamera genggam.
Siapa yang mengembangkan perangkat lunak ID video?
Google bermitra dengan Time Warner dan Disney untuk pengujian. Perusahaan seperti Audible Magic, MotionDSP, dan Relatable juga menyediakan alat pengenalan konten serupa.
