多年來，視頻制備和分發的復雜性大幅增加。首先，業界見證了從磁帶到基于文件的工作流程的轉變，接著是是從模擬到數字的轉變。新的格式和標準也出現了，增加了視頻分發的復雜性。
除了這些技術變革之外，消費者的觀看習慣也在發生變化。如今的觀眾更喜歡OTT媒體服務，根據Parks Associates的最新研究，76%的美國家庭訂閱了OTT服務，而訂閱傳統付費電視只有62%。隨著廣播公司向更大范圍的屏幕和全球觀眾分發更多的內容，更多的差錯被引入工作流程，可能視頻和音頻質量。
媒體自動化質量監控系統的最新進展，正幫助廣播公司向每個屏幕提供無差錯的視頻和音頻。特別值得一提的是，機器學習（ML）和人工智能（AI）領域的創新正在使媒體質量控制（QC）和監測更上一層樓，提高某些媒體任務的準確性和一致性，包括內容分類、內容編目、口型同步檢查等等。
媒體QC和監測正在發展
在媒體質量監控的早期階段，自動化系統僅限于簡單的任務，例如檢查音頻/視頻技術參數的正確性，包括分辨率、幀率、比特率、內容結構和容器參數。
從那時起，媒體質量監控一直在發展。今天，廣播公司可以使用計算機視覺和標準音頻處理技術檢查感知錯誤。這些檢查包括隔行掃描偽像、有缺陷的像素、丟幀、視覺文本識別、壓縮和重影假象、響度和語言檢測。
隨著ML的興起，以及ML成功完成了內容分類、對象檢測等任務，媒體質量監控的范圍也隨之擴大。現在廣播公司正在使用能夠從語義上理解內容的先進ML技術，以達到內容審核、內容分類、檢索和描述生成的目的。讓我們看看幾個可以用ML和AI技術進行優化的專門媒體應用場景。
用ML加速內容合規
監視和修改內容以符合不同的規章制度是大大受益于ML的一項應用。廣播公司必須遵守各種各樣的規章，這些規章可能因地區而異。
傳統上，廣播公司會維持一群審查員員手動過濾內容，以符合監管規定。在典型的手工工作流程中，內容要經過多個審查階段。如果評審在任何階段失敗，內容就會返回進行編輯。手工內容的質量監控是昂貴、費時和不準確的。由于有如此多的全球性和區域性的內容審查環節，人類幾乎不可能做到百分百的準確性。
通過自動化這一過程，廣播公司可以消除人工內容審核的限制，包括人們無法記住大量的視覺符號和人為錯誤的可能性。有了自動化的質量監控工作流程，廣播公司可以更快速和準確地檢查節目內容，包括品牌名稱、仇恨符號、酒精、暴力、名人臉、粗俗言論字幕和宗教符號。
當使用由ML、計算機視覺技術和計算機算法驅動的自動化系統時，好處就更大了。基于ML的系統可以處理大量和多個內容分類檢查列表，而沒有任何大的性能限制，從而提高廣播工作流程的效率。
但是，需要注意的是，雖然當前的ML解決方案很先進，并且可以組合起來創建更廣泛的應用，但是它們缺乏自己創建有效和可接受的結果所需的真實世界的知識和人類經驗。仍然需要人工輸入來確認模式的有效性并幫助機器改進結果。在可預見的未來，這種人機交互很可能會定義ML在媒體行業中的應用。
通過ML確保高質量字幕
檢查字幕的存在和準確性是ML被證明非常有效的另一個應用領域。ML可用于在內容中沒有字幕的情況下自動生成字幕，檢查字幕和音頻之間的對準，并檢查字幕對口語音頻的正確性。此外，ML簡化了對音頻中發聲者的識別，確保在字幕中放置正確的標點。
最終，使用ML，廣播公司可以加快直播和VOD內容的字幕創作和驗證過程，同時確保內容在OTT視頻流中以多種視頻質量水平分發時，字幕保持高質量。
在過去的十年里，通過ML，自動語音識別引擎達到了高達85%的極高準確度。盡管如此，自動語音引擎依然面臨著一些挑戰，如嘈雜環境中的穩健性問題、變異口音處理能力、多名發言者同時說話時的問題，以及小孩聲音的困難（由于缺乏數據訓練ML模型）。
要解決這些挑戰，必須讓人類參與其中。廣播公司通過將先進的ML和自動語音識別技術與人工審查過程相結合，可以為傳統電視和視頻流字幕的創建、管理和分發帶來更大的簡化和成本節約。
用ML消除AV音視頻同步問題
音頻和視頻之間的同步是當今的一個常見問題。利用圖像處理、ML技術和深度神經網絡，廣播公司可以自動檢測音頻和視頻同步錯誤。與手動檢查音視頻同步錯誤的傳統方法相比，ML提供了一種更快、更精確的檢測媒體內容中音頻超前和滯后問題，使得廣播公司能夠為觀眾提供高質量的體驗（QoE）。
通過ML能力，廣播公司可以進行人臉識別、人臉跟蹤、口型檢測、唇動檢測和語音識別。使用基于ML的音視頻同步解決方案，通常一個模塊使用視頻提取人臉和跟蹤唇動。第二個模塊使用音頻提取音頻特性，第三個ML模塊使唇動與音頻特性匹配。使用這種技術，甚至可以檢測一幀的同步問題。
結論
廣播公司在全球分發的內容數量是巨大的。如果廣播公司想讓觀眾滿意，確保每個屏幕上都有高質量的視頻體驗是至關重要的。有了采用ML和AI技術的自動質量監控解決方案，廣播公司可以更快更準確地遵守行業和政府法規，提供高質量的字幕，分類內容，并消除音視頻同步問題。