Stoisz w kolejce po napoje i przekąski. Ścieżka dźwiękowa pęcznieje, a jeden z utworów brzmi tak potężnie, że przystajesz i słuchasz. Lubisz ją. Ale nie znasz tytułu piosenki ani nazwiska artysty.
Więc wyjmij telefon. Wybierasz numer. Umieść telefon na głośniku. Kilka sekund później przychodzi wiadomość tekstowa: tytuł utworu, nazwa wykonawcy, link do zakupu. Gotowy.
To nie magia. To jest oprogramowanie do rozpoznawania treści.
Takie programy nie tylko identyfikują utwory odtwarzane w kinach. Stają się głównym środkiem ochrony przed naruszeniem praw autorskich. Dla niezależnych artystów i wielkich korporacji to prawdziwe wybawienie. Internet ułatwił dostęp do treści bez płacenia. Peers (sieci P2P). Usługi udostępniania plików. YouTube. Najwięksi gracze.
Do niedawna firmy nie miały innego wyjścia, jak tylko polegać na ludziach w celu identyfikacji naruszeń. To było polowanie ręczne. Pracownicy musieli przeszukiwać platformy w poszukiwaniu zastrzeżonych filmów. Musieli sporządzać raporty. To było wyczerpujące. Nieskuteczny. Powoli.
Na przykład YouTube często polega na tym, że użytkownicy zgłaszają nieodpowiednie materiały. Jednak naruszenia praw autorskich nie zawsze są „niewłaściwe” z moralnego punktu widzenia. Są po prostu nielegalne. I nie każdy użytkownik rozumie różnicę.
Dlatego większość firm zmuszona była polegać na pracownikach w zakresie identyfikacji fragmentów wideo i kompletowania dokumentacji. Ten proces wkrótce stanie się przestarzały.
Зміст
Tworzenie oprogramowania
Przejście z wykrywania ręcznego na rozpoznawanie automatyczne zmienia wszystko. Zamiast czekać na skargę użytkownika, oprogramowanie może skanować miliony pobranych plików w czasie rzeczywistym. Porównuje odciski palców audio i wideo z bazą danych znanych dzieł.
Tak to działa. Dlaczego jest to ważne?
Firmy wdrażają narzędzia skanujące nagrania audio i wideo w ogromnych bazach danych w celu identyfikacji materiałów chronionych prawem autorskim. To tani i skuteczny sposób kontrolowania Internetu, znacznie skuteczniejszy niż nadzieja, że któryś z Twoich znajomych rozpozna piosenkę odtwarzaną w kawiarni.
Tworzenie takiego oprogramowania nie jest zadaniem łatwym. Pliki dostępne są w kilkudziesięciu formatach. Plik WAV i jego odpowiednik w formacie MP3 różnią się całkowicie na poziomie kodu. Nawet w tym samym formacie szybkość transmisji może się różnić. Dwa pliki MP3 tego samego utworu mogą nie pasować do siebie ze względu na różnice w kompresji. Nagrania telefoniczne powodują problemy z hałasem i jakością.
Piraci zmieniają także materiał źródłowy. Kręcą filmy w kinach za pomocą ręcznych kamer. Niektóre projektory cyfrowo rejestrują obraz z kabiny projekcyjnej. Inni przycinają lub edytują wideo. Proste porównanie kodu tutaj nie działa. Identyfikatory muszą uwzględniać te uprzedzenia.
Oprogramowanie do rozpoznawania treści – dźwięk
Rozpoznawanie dźwięku wymaga innego podejścia niż zwykłe porównywanie kodu źródłowego. Celem jest rozpoznanie treści, a nie opakowania pliku.
Algorytmy szukają unikalnych wzorów w falach dźwiękowych. Wzorce te są zachowywane nawet po konwersji lub kompresji pliku. System tworzy „odcisk palca” kompozycji. Ten odcisk palca ignoruje hałas tła. Jest odporny na słabą jakość nagrywania. Działa nawet przy niewielkich zmianach tempa.
Ta metoda rozwiązuje problem formatu. Nie ma znaczenia, czy plik wejściowy to MP3, AAC, czy nagranie telefoniczne niskiej jakości. Główna melodia i rytm pozostają wyczuwalne.
Proces polega na wyodrębnieniu kluczowych cech widmowych. Są to charakterystyczne szczyty i doliny w widmie częstotliwości dźwięku. Oprogramowanie porównuje te cechy ze znaną biblioteką. Dopasowanie powoduje ostrzeżenie. Dzięki temu platformy mogą automatycznie blokować treści lub na nich zarabiać.
Dokładność jest głównym problemem. Fałszywe alarmy marnują zasoby. Fałszywe przepustki pozwalają na niewykrycie piractwa. Najlepsze systemy równoważą czułość i dokładność. Uczą się na podstawie informacji zwrotnych od użytkowników. Z biegiem czasu poprawia to wykrywalność.
Ponieważ rozpoznawanie wideo opiera się na podobnej logice, stawka wzrasta. Film zawiera dane wizualne. To dodaje złożoności. Jednak w przypadku dźwięku nacisk kładziony jest na zachowanie „duszy” utworu. To właśnie czyni ją rozpoznawalną.
Tworzenie bazy danych treści zaczyna się od prostego założenia: potrzebujesz czegoś, z czym będziesz mógł to porównać. Dla wytwórni tym „czymś” jest cały katalog poprzednich nagrań. Oprogramowanie nie tylko odczytuje metadane. To „słucha”. Analizuje samą falę dźwiękową, aby utworzyć unikalny znacznik cyfrowy znany jako odcisk palca lub podpis.
Ten proces ignoruje format kodowania pliku. Uważa za czysty dźwięk. Niektóre instrumenty skupiają się na tempie i wzorach rytmicznych. Inne mierzą amplitudę i częstotliwość. Zazwyczaj oprogramowanie przechwytuje kilka sekund próbek z nagrania w celu stworzenia profilu. Niektórzy konkurenci analizują całe sekcje w celu uzyskania maksymalnej dokładności. Jeden konkretny produkt szuka punktów orientacyjnych – charakterystycznych momentów akustycznych – a następnie bada dźwięk wokół nich. Cel jest prosty. Jeśli punkty orientacyjne są jasne, skanowanie powinno być łatwe.
Matematyka za muzyką
Programy te opierają się na algorytmach, aby wykonać rzeczywistą pracę. Większość korzysta z algorytmu szybkiej transformaty Fouriera (FFT). Jest to metoda matematyczna rozkładająca złożone sygnały. Śledzi zmiany w danych. Niezależnie od tego, czy jest to zmiana tempa, zmiana uderzeń na minutę, czy wahania amplitudy, FFT to wyświetla. Wynik jest konwertowany na numeryczny odcisk palca.
Po zapełnieniu bazy danych firma może jej używać do dwóch głównych celów: pomagania klientom w znajdowaniu utworów lub znajdowaniu naruszeń praw autorskich. Metoda pozostaje niezmieniona. Oprogramowanie pobiera nieznany fragment audio. Analizuje go tak samo jak wpisy w katalogu. Generuje hash – krótki kod oparty wyłącznie na treści audio. Następnie dopasowuje nowy odcisk palca do zapisanych. Następnym krokiem jest zdefiniowanie logiki dopasowania.
Filtracja dla ludzkiego ucha
Aby mieć pewność, że oprogramowanie będzie działać niezależnie od formatu pliku, programiści filtrują dane wejściowe. Koncentrują się wyłącznie na dźwiękach znajdujących się w zasięgu ludzkiego słuchu. Odzwierciedla to sposób działania kompresji MP3. Pliki MP3 są małe, ponieważ usuwają częstotliwości, których ludzie i tak nie słyszą. Oprogramowanie do rozpoznawania treści robi to samo. Ignoruje pełny zakres oryginalnego nagrania. Jeśli tego nie zrobi, może nie pasować do wersji MP3 tego samego utworu o niższej jakości. System musi mówić tym samym językiem akustycznym, co skompresowane pliki, które faktycznie posiadają użytkownicy.
Klipy dźwiękowe rzadko docierają w idealnym stanie. Można wprowadzić do systemu skróconą pętlę, wersję coverową lub fragment przechodzący w melodię innego utworu. Tutaj w grę wchodzą algorytmy. Ich zadaniem jest pobranie odcisku palca przychodzącego dźwięku i znalezienie dopasowania w bazie danych. Nie szukają tylko dokładnych kopii. Szukają dopasowań w określonym zakresie prawdopodobieństwa.
Wyobraź sobie kryminalistykę w starym stylu. Przed pojawieniem się wyrafinowanego oprogramowania eksperci ręcznie dopasowywali podejrzanych do miejsc zbrodni. Szukali punktów podobieństwa. Wcześniej specjalista musiał znaleźć co najmniej 16 pasujących punktów, aby uznać to za dopasowanie. Nowoczesne oprogramowanie robi coś podobnego, ale zamiast liczyć punkty, oblicza prawdopodobieństwo.
Nie ma jednolitego standardu określającego, w jakim stopniu nakładanie się jest uważane za dopasowanie. Większość platform rozpoznawania treści umożliwia regulację czułości. Chcesz otrzymywać tylko niezaprzeczalne mecze? Ustaw próg na 95 procent lub więcej. Jeśli algorytm nie jest pewien, nie będzie po prostu zgadywał. Wyśle użytkownikowi komunikat o błędzie. Możesz także obniżyć ten próg, jeśli chcesz wykryć bliskie dopasowania, chociaż wiąże się to z większym ryzykiem fałszywych alarmów.
Gdy oprogramowanie oznaczy dopasowanie, rozpoczyna się prawdziwa praca. W grę wchodzi aplikacja partnerska. Może wyodrębnić nazwę utworu dla aplikacji do odkrywania muzyki. Może też powiadomić administratora witryny. Firmy muzyczne wykorzystują tę technologię do skanowania sieci udostępniania plików. Monitorują witryny do przesyłania strumieniowego audio pod kątem ochrony praw autorskich. Cała analiza zajmuje sekundy.
Oprogramowanie do rozpoznawania treści – wideo
Wideo dodaje poziom złożoności, którego nie ma dźwięk.
Jak rozpoznawanie treści wideo walczy z piractwem w YouTube
Wydruki wideo nie są niczym nowym. Funkcja rozpoznawania dźwięku od lat po cichu śledzi muzykę i reklamy. Działa poprzez konwersję fal dźwiękowych na cyfrowy odcisk palca. Następnie system skanuje bazę danych w celu znalezienia dopasowania.
W przypadku wideo sytuacja jest bardziej skomplikowana. Stawka jest wyższa, a przeszkody mają charakter fizyczny.
Time Warner i Disney przetestowały nowe narzędzia Google do identyfikacji filmów w serwisie YouTube. Cel był prosty: wykryć pobrania filmów i programów telewizyjnych chronionych prawem autorskim, zanim się rozprzestrzenią. Jednak dane wideo zachowują się inaczej niż dane audio. Są chaotyczne, zmieniają się i często są odcięte.
Problem z krótkimi fragmentami
Większość filmów z YouTube’a podczas testów była ograniczona do 10 minut lub 100 megabajtów. To ograniczenie tworzy ogromną lukę. Jednym fragmentem może być dowolne 10 minut dwugodzinnego filmu.
Oprogramowanie musi rozpoznać ten drobny fragment w całym dziele. Google nie ujawniło dokładnego algorytmu. Prawdopodobną metodą jest podzielenie oryginalnego chronionego dzieła na nakładające się fragmenty. Każdy fragment otrzymuje swój własny nadruk.
Podczas uruchamiania systemu fragmenty te są sprawdzane w bibliotece. To zadanie polega na znalezieniu igły w stogu siana. Igła jest mała. Snop jest ogromny. I stale rośnie.
Instalacja i obejście zabezpieczeń
Loadery nie są pasywne. Próbują złamać system.
Proste zmiany mogą oślepić podstawowe narzędzia rozpoznawania. Zmiana nasycenia kolorów? To sprawia, że dopasowywanie na podstawie koloru jest mylące. Przycinanie ramek? Usuwa kontekst.
Potem są piraci. Niektórzy nagrywają filmy bezpośrednio z ekranu kinowego. Inni używają ręcznych kamer pod niewygodnym kątem. Obraz się trzęsie. Jest przechylony. To jest zniekształcone.
Standardowe mapowanie uprawnień tutaj nie działa. Nie można polegać na idealnym dopasowaniu pikseli. Film w serwisie YouTube w niczym nie przypomina pliku głównego w bazie danych studia.
Analiza ruchu jako rozwiązanie
Twórcy zwrócili się w stronę ruchu. Zamiast patrzeć tylko na statyczne klatki, analizują ruch pikseli.
Oprogramowanie monitoruje zmiany charakterystyki jazdy. Nawet jeśli kolory są niewłaściwe lub kadr jest przycięty, podstawowy ruch obiektów pozostaje podobny. Samochód jadący ulicą porusza się w ten sam sposób, niezależnie od drgań aparatu i korekcji kolorów.
To podejście jest obiecujące. To nie jest złoty środek. Nagrywanie z ręki wprowadza chaotyczny ruch, który wciąż może mylić algorytmy. Czasami zakres prawdopodobieństwa dopasowania musi być szeroki. Szerokie dopasowania oznaczają więcej wyników fałszywie dodatnich.
Czynnik ludzki pozostaje
Zwiększona wydajność nie oznacza pełnej automatyzacji.
Studia filmowe mogą nadal potrzebować prawdziwych ludzi do sprawdzania oznaczonych klipów. Oprogramowanie sygnalizuje potencjalne piractwo. Mężczyzna to potwierdza.
Jest to model hybrydowy. Komputer wykonuje ciężką pracę. Skanuje miliony pobrań w ciągu kilku sekund. Zawęża swoje poszukiwania. Następnie ludzie sprawdzają dopasowania. Ten przepływ pracy jest szybszy niż przeglądanie ręczne. To nie jest natychmiastowe. To po prostu mądrzejsze.
Konserwacja bazy danych na czas nieokreślony
Nawet jeśli technologia działa doskonale, logistyka jest brutalna.
Identyfikacja wideo jest obecnie w fazie testów. Niektóre firmy organizują pokazy. Inni dostarczają narzędzia. Ale praca nigdy się nie kończy.
Codziennie pojawiają się nowe filmy. Odcinki programu telewizyjnego emitowane są co tydzień. Studia muszą stale aktualizować swoje wydruki. Baza znanych treści rośnie bez ograniczeń.
Wykrywanie piractwa nie jest rozwiązaniem jednorazowym. To jest cykl konserwacji. Wymaga stałej opieki. Objętość treści wideo jest prawdziwym wrogiem. Technologia pomaga sobie z tym poradzić. Nie eliminują takiej potrzeby.
Często zadawane pytania
Co to jest rozpoznawanie treści wideo?
Jest to oprogramowanie, które tworzy cyfrowy odcisk palca z klatek wideo. Porównuje ten odcisk palca z bazą danych w celu zidentyfikowania materiału chronionego prawem autorskim. Rozwiązuje problemy takie jak kadrowanie, zmiany kolorów i drgania aparatu.
Jak działa odcisk palca wideo oparty na ruchu?
Analizuje ruch pikseli i obiektów w klipie wideo. Pomaga to zidentyfikować treść, nawet jeśli jakość obrazu ulegnie zmianie lub nagranie zostanie wykonane z ręki.
Kto tworzy oprogramowanie do identyfikacji wideo?
W celu przeprowadzenia testów Google nawiązał współpracę z Time Warner i Disneyem. Firmy takie jak Audible Magic, MotionDSP i Relatable również udostępniają podobne narzędzia do rozpoznawania treści.
