Вы стоите в очереди за напитками и закусками. Саундтрек нарастает, и одна из композиций звучит настолько мощно, что вы останавливаетесь и прислушиваетесь. Она вам нравится. Но вы не знаете ни названия песни, ни имени исполнителя.
Поэтому вы достаёте телефон. Набираете номер. Прикладываете телефон к динамику. Через несколько секунд приходит текстовое сообщение: название песни, имя исполнителя, ссылка для покупки. Готово.
Это не магия. Это программное обеспечение для распознавания контента.
Такие программы не просто идентифицируют песни, играющие в кинотеатрах. Они становятся основным средством защиты от нарушений авторских прав. Для независимых артистов и крупных корпораций это настоящее спасение. Интернет сделал легким доступ к контенту без оплаты. Пиры (P2P-сети). Сервисы обмена файлами. YouTube. Крупнейшие игроки.
До недавнего времени компании не имели выбора, кроме как полагаться на людей для выявления нарушений. Это была ручная охота. Сотрудникам приходилось просматривать платформы в поисках проприетарных видеоматериалов. Они должны были оформлять отчёты. Это было утомительно. Неэффективно. Медленно.
Например, YouTube часто полагается на пользователей, которые сообщают о неуместном материале. Но нарушения авторских прав не всегда являются «неуместными» с моральной точки зрения. Они просто незаконны. И не каждый пользователь понимает разницу.
Поэтому большинство компаний были вынуждены полагаться на сотрудников, которые выявляли фрагменты видео и оформляли документацию. Этот процесс скоро устареет.
Зміст
Разработка программного обеспечения
Переход от ручного обнаружения к автоматическому распознаванию меняет всё. Вместо того чтобы ждать жалобы от пользователя, программное обеспечение может в реальном времени сканировать миллионы загруженных файлов. Оно сравнивает аудио- и видеоотпечатки с базой данных известных произведений.
Так это работает. И почему это важно.
Компании внедряют инструменты, которые сканируют аудио- и видеозаписи по огромным базам данных, чтобы выявлять материалы, защищённые авторским правом. Это дешёвый и эффективный способ контроля за интернетом, гораздо более действенный, чем надеяться, что кто-то из друзей узнает песню, играющую в кофейне.
Создание такого программного обеспечения — задача непростая. Файлы представлены в десятках форматов. Файл WAV и его аналог в формате MP3 полностью различаются на уровне кода. Даже в рамках одного формата битрейт может варьироваться. Два MP3-файла одной и той же композиции могут не совпадать из-за различий в сжатии. Записи с телефона добавляют шум и проблемы с качеством.
Пираты также изменяют исходный материал. Они снимают фильмы в кинотеатрах с помощью ручных камер. Некоторые проекторы записывают изображение цифровым способом из проекционной будки. Другие обрезают или редактируют видео. Простое сравнение кода здесь не работает. Идентификаторы должны учитывать эти искажения.
Программное обеспечение для распознавания контента — Аудио
Распознавание аудио требует иного подхода, чем простое сравнение исходного кода. Цель заключается в распознавании содержания, а не обёртки файла.
Алгоритмы ищут уникальные паттерны в звуковых волнах. Эти паттерны сохраняются даже при конвертации или сжатии файла. Система создаёт «отпечаток» композиции. Этот отпечаток игнорирует фоновый шум. Он устойчив к плохому качеству записи. Он работает даже при незначительных изменениях темпа.
Этот метод решает проблему форматов. Не имеет значения, является ли входной файл MP3, AAC или низкокачественной записью с телефона. Основная мелодия и ритм остаются обнаруживаемыми.
Процесс включает извлечение ключевых спектральных характеристик. Это характерные пики и спады в частотном спектре аудио. Программное обеспечение сравнивает эти характеристики с известной библиотекой. Совпадение вызывает предупреждение. Это позволяет платформам автоматически блокировать или монетизировать контент.
Точность — главная проблема. Ложные срабатывания тратят ресурсы. Ложные пропуски позволяют пиратству оставаться незамеченным. Лучшие системы балансируют между чувствительностью и точностью. Они обучаются на основе обратной связи от пользователей. Это улучшает обнаружение с течением времени.
Поскольку распознавание видео следует аналогичной логике, ставки возрастают. Видео включает визуальные данные. Это добавляет сложности. Но для аудио фокус направлен на сохранение «души» песни. Именно это делает её узнаваемой.
Создание базы данных контента начинается с простой предпосылки: вам нужно что-то для сравнения. Для звукозаписывающей компании этим «чем-то» является весь каталог предыдущих записей. Программное обеспечение не просто считывает метаданные. Оно «слушает». Оно анализирует саму звуковую волну, чтобы создать уникальный цифровой тег, известный как отпечаток или сигнатура.
Этот процесс игнорирует формат кодирования файла. Он рассматривает чистый звук. Некоторые инструменты фокусируются на темпе и ритмических паттернах. Другие измеряют амплитуду и частоту. Обычно программное обеспечение захватывает несколько секунд сэмплов из записи, чтобы построить профиль. Некоторые конкуренты анализируют целые фрагменты для максимальной точности. Один конкретный продукт ищет ориентиры — характерные акустические моменты — а затем изучает звук вокруг них. Цель проста. Если ориентиры четкие, сканирование должно быть легким.
Математика за музыкой
Эти программы полагаются на алгоритмы, чтобы выполнить основную работу. Большинство использует алгоритм быстрого преобразования Фурье (БПФ). Это математический метод, который разлагает сложные сигналы. Он отслеживает изменения внутри данных. Будь то сдвиг темпа, изменение количества ударов в минуту или колебания амплитуды, БПФ отображает это. Результат преобразуется в числовой цифровой отпечаток.
После заполнения базы данных компания может использовать её для двух основных целей: помощи клиентам в поиске песен или поиска нарушений авторских прав. Метод остается неизменным. Программное обеспечение берет неизвестный аудиофрагмент. Оно анализирует его точно так же, как записи в каталоге. Оно генерирует хэш — короткий код, основанный исключительно на содержании аудио. Затем оно сопоставляет этот новый отпечаток с сохраненными. Следующий шаг — определение логики сопоставления.
Фильтрация для человеческого уха
Чтобы убедиться, что программное обеспечение работает независимо от формата файла, программисты фильтруют входные данные. Они фокусируются только на звуках в пределах диапазона человеческого слуха. Это отражает принцип работы сжатия MP3. MP3-файлы малы, потому что они отбрасывают частоты, которые люди все равно не слышат. Программное обеспечение для распознавания контента делает то же самое. Оно игнорирует полный спектр оригинальной записи. Если бы оно этого не делало, оно могло бы не совпадать с MP3-версиями того же трека более низкого качества. Система должна говорить на том же акустическом языке, что и сжатые файлы, которыми фактически владеют пользователи.
Звуковые фрагменты редко поступают в идеальном состоянии. Вы можете подавать системе усеченный цикл, кавер-версию или отрывок, который переходит в мелодию другой песни. Здесь вступают в действие алгоритмы. Их задача — взять входящий аудиоотпечаток и найти совпадение в базе данных. Они ищут не только точные копии. Они ищут совпадения в пределах определенного диапазона вероятности.
Представьте себе криминалистику старого образца. До появления сложного программного обеспечения эксперты вручную сопоставляли подозреваемых с местами преступлений. Они искали точки сходства. Раньше специалист должен был найти как минимум 16 совпадающих точек, чтобы считать это совпадением. Современное программное обеспечение делает нечто подобное, но вместо подсчета точек оно вычисляет вероятность.
Не существует единого стандарта того, какое количество перекрытий считается совпадением. Большинство платформ распознавания контента позволяют настраивать чувствительность. Хотите получать только неоспоримые совпадения? Установите порог на уровне 95 процентов или выше. Если алгоритм не уверен, он не будет просто гадать. Он отправит сообщение об ошибке пользователю. Вы также можете снизить этот порог, если вам нужно обнаруживать близкие совпадения, хотя это сопряжено с более высоким риском ложных срабатываний.
Как только программное обеспечение отмечает совпадение, начинается настоящая работа. В дело вступает приложение-партнер. Оно может извлечь название песни для приложения по обнаружению музыки. Или оно может уведомить администратора веб-сайта. Музыкальные компании используют эту технологию для сканирования сетей обмена файлами. Они отслеживают сайты потоковой передачи аудио для защиты авторских прав. Весь анализ занимает секунды.
Программное обеспечение для распознавания контента — Видео
Видео добавляет уровень сложности, которого нет у аудио.
Как распознавание видеоконтента борется с пиратством на YouTube
Отпечатки видео — это не новость. Распознавание аудио уже много лет незаметно отслеживает музыку и рекламные ролики. Оно работает путем преобразования звуковых волн в цифровой отпечаток. Затем система сканирует базу данных, чтобы найти совпадение.
С видео дело обстоит сложнее. Ставки выше, а препятствия — физическими.
Time Warner и Disney протестировали новые инструменты идентификации видео Google на YouTube. Цель была простой: обнаруживать загрузки защищенных авторским правом фильмов и телешоу до того, как они распространятся. Но видеоданные ведут себя не так, как аудиоданные. Они хаотичны, изменяются и часто обрезаются.
Проблема коротких фрагментов
Большинство видео на YouTube в период тестирования ограничивались 10 минутами или 100 мегабайтами. Это ограничение создает огромный пробел. Один фрагмент может быть любыми 10 минутами из двухчасового фильма.
Программное обеспечение должно распознавать этот крошечный фрагмент в рамках всего произведения. Google не раскрыл точный алгоритм. Вероятный метод заключается в разделении оригинального защищенного произведения на перекрывающиеся фрагменты. Каждый фрагмент получает свой собственный отпечаток.
При загрузке системы проверяют эти фрагменты против библиотеки. Это задача поиска иголки в стоге сена. Иголка мала. Сноп огромен. И он постоянно растет.
Монтаж и обход защиты
Загрузчики не пассивны. Они пытаются сломать систему.
Простые изменения могут ослепить базовые инструменты распознавания. Изменение насыщенности цвета? Это сбивает с толку сопоставление на основе цвета. Обрезка кадра? Она удаляет контекст.
Затем есть пираты. Некоторые записывают фильмы непосредственно с экрана кинотеатра. Другие используют ручные камеры под неудобными углами. Изображение трясется. Оно наклонено. Оно искажено.
Стандартное сопоставление разрешений здесь не работает. Нельзя полагаться на идеальное совпадение пикселей. Видео на YouTube ничем не похоже на мастер-файл в базе данных студии.
Анализ движения как решение
Разработчики обратились к движению. Вместо того чтобы просто смотреть на статичные кадры, они анализируют, как перемещаются пиксели.
Программное обеспечение отслеживает изменения в характеристиках движения. Даже если цвета неверны или кадр обрезан, базовое движение объектов остается похожим. Машина, едущая по улице, движется одинаково, независимо от тряски камеры или цветокоррекции.
Этот подход многообещающий. Это не серебряная пуля. Запись с рук вносит хаотичное движение, которое все еще может сбивать с толку алгоритмы. Иногда диапазон вероятности совпадения должен быть широким. Широкие совпадения означают больше ложных срабатываний.
Человеческий фактор остается
Прирост эффективности не означает полной автоматизации.
Киностудиям, возможно, все еще понадобятся реальные люди для проверки помеченных фрагментов. Программное обеспечение отмечает потенциальное пиратство. Человек подтверждает его.
Это гибридная модель. Компьютер выполняет тяжелую работу. Он сканирует миллионы загрузок за секунды. Он сужает круг поиска. Люди затем проверяют совпадения. Этот рабочий процесс быстрее, чем ручной обзор. Это не мгновенно. Это просто умнее.
Поддержание базы данных бесконечно
Даже если технология работает идеально, логистика жестока.
Идентификация видео находится на стадии тестирования. Некоторые компании показывают демонстрации. Другие поставляют инструменты. Но работа никогда не заканчивается.
Новые фильмы выходят каждый день. Эпизоды телешоу выходят в эфир еженедельно. Студии должны постоянно обновлять свои отпечатки. База данных известного контента растет неограниченно.
Обнаружение пиратства — это не разовое исправление. Это цикл обслуживания. Он требует постоянного ухода. Объем видеоконтента — это настоящий враг. Технологии помогают управлять им. Они не устраняют необходимость в этом.
Часто задаваемые вопросы
Что такое распознавание видеоконтента?
Это программное обеспечение, которое создает цифровой отпечаток из кадров видео. Оно сравнивает этот отпечаток с базой данных для идентификации защищенного авторским правом материала. Оно справляется с такими проблемами, как обрезка, изменение цвета и тряска камеры.
Как работает видеоотпечаток на основе движения?
Он анализирует движение пикселей и объектов внутри видеоклипа. Это помогает идентифицировать контент, даже если визуальное качество изменено или запись сделана с рук.
Кто разрабатывает программное обеспечение для идентификации видео?
Google сотрудничал с Time Warner и Disney для тестирования. Такие компании, как Audible Magic, MotionDSP и Relatable, также предоставляют аналогичные инструменты распознавания контента.
