कृत्रिम बुद्धिमत्तेसह 12 नवीन Azure मीडिया सेवा

मायक्रोसॉफ्टचे ध्येय पृथ्वीवरील प्रत्येक व्यक्ती आणि संस्थेला अधिक साध्य करण्यासाठी सक्षम बनवणे आहे. हे मिशन प्रत्यक्षात आणण्याचे माध्यम उद्योग हे एक उत्तम उदाहरण आहे. आम्ही अशा युगात राहतो जिथे अधिक सामग्री तयार केली जाते आणि वापरली जाते, अधिक मार्गांनी आणि अधिक उपकरणांवर. IBC 2019 मध्ये, आम्ही काम करत असलेल्या नवीनतम नवकल्पना सामायिक केल्या आहेत आणि ते तुमच्या मीडिया अनुभवाचे रूपांतर करण्यात कशी मदत करू शकतात.

कट अंतर्गत तपशील!

हे पृष्ठ चालू आहे आमची वेबसाइट.

व्हिडिओ इंडेक्सर आता ॲनिमेशन आणि बहुभाषिक सामग्रीचे समर्थन करते

गेल्या वर्षी आयबीसीमध्ये आम्ही आमचा पुरस्कार जिंकला Azure Media Services Video Indexer, आणि या वर्षी ते आणखी चांगले झाले. व्हिडिओ इंडेक्सर मीडिया फाइल्समधून आपोआप माहिती आणि मेटाडेटा काढतो, जसे की बोललेले शब्द, चेहरे, भावना, विषय आणि ब्रँड आणि ते वापरण्यासाठी तुम्हाला मशीन लर्निंग तज्ञ असण्याची गरज नाही.

आमच्या नवीनतम ऑफरिंगमध्ये दोन अत्यंत मागणी असलेल्या आणि विभेदित वैशिष्ट्यांचे पूर्वावलोकन - ॲनिमेटेड कॅरेक्टर रेकग्निशन आणि बहुभाषिक स्पीच ट्रान्स्क्रिप्शन—तसेच व्हिडिओ इंडेक्सरमध्ये आज उपलब्ध असलेल्या विद्यमान मॉडेल्समध्ये अनेक जोडांचा समावेश आहे.

ॲनिमेटेड वर्ण ओळख

ॲनिमेटेड सामग्री हा सामग्रीच्या सर्वात लोकप्रिय प्रकारांपैकी एक आहे, परंतु मानवी चेहरे ओळखण्यासाठी डिझाइन केलेले मानक संगणक दृष्टी मॉडेल त्याच्याशी चांगले कार्य करत नाहीत, विशेषत: जर सामग्रीमध्ये मानवी चेहर्यावरील वैशिष्ट्यांशिवाय वर्ण असतील. नवीन पूर्वावलोकन आवृत्ती व्हिडिओ इंडेक्सरला मायक्रोसॉफ्टच्या Azure कस्टम व्हिजन सेवेसह एकत्रित करते, मॉडेल्सचा एक नवीन संच प्रदान करते जे स्वयंचलितपणे ॲनिमेटेड वर्ण शोधतात आणि त्यांचे गट करतात आणि एकात्मिक सानुकूल दृष्टी मॉडेल वापरून त्यांना लेबल करणे आणि ओळखणे सोपे करते.

मॉडेल्स एका पाइपलाइनमध्ये समाकलित केले जातात, ज्यामुळे कोणालाही मशीन लर्निंग ज्ञानाशिवाय सेवा वापरता येते. तुमच्या स्वतःच्या ॲप्लिकेशन्समध्ये द्रुत एकीकरणासाठी नो-कोड व्हिडिओ इंडेक्सर पोर्टलद्वारे किंवा REST API द्वारे परिणाम उपलब्ध आहेत.

प्रशिक्षण आणि चाचणीसाठी वास्तविक ॲनिमेटेड सामग्री प्रदान करणाऱ्या काही ग्राहकांसह ॲनिमेटेड पात्रांसह काम करण्यासाठी आम्ही ही मॉडेल्स तयार केली आहेत. नवीन कार्यक्षमतेचे मूल्य वायकॉम इंटरनॅशनल मीडिया नेटवर्क्सचे स्टुडिओ तंत्रज्ञान आणि पोस्ट-प्रॉडक्शनचे वरिष्ठ संचालक अँडी गुटरिज यांनी चांगल्या प्रकारे मांडले होते, जे डेटा प्रदात्यांपैकी एक होते: “मजबूत AI-सक्षम ॲनिमेटेड सामग्री शोधाची जोड अनुमती देईल. आम्हाला आमच्या लायब्ररी सामग्रीमधून वर्ण मेटाडेटा जलद आणि कार्यक्षमतेने शोधण्यासाठी आणि कॅटलॉग करण्यासाठी.

सर्वात महत्त्वाचे म्हणजे, ते आमच्या सर्जनशील कार्यसंघांना त्यांना आवश्यक असलेली सामग्री त्वरित शोधण्याची क्षमता देईल, मीडिया व्यवस्थापित करण्यात घालवलेला वेळ कमी करेल आणि त्यांना सर्जनशीलतेवर लक्ष केंद्रित करण्याची परवानगी देईल.”

आपण सह ॲनिमेटेड वर्ण ओळख परिचित करणे सुरू करू शकता दस्तऐवजीकरण पृष्ठे.

एकाधिक भाषांमधील सामग्रीची ओळख आणि प्रतिलेखन

काही माध्यम संसाधने, जसे की बातम्या, इतिहास आणि मुलाखती, वेगवेगळ्या भाषा बोलणाऱ्या लोकांचे रेकॉर्डिंग असतात. बहुतेक विद्यमान स्पीच-टू-टेक्स्ट क्षमतांसाठी ऑडिओ ओळख भाषा आगाऊ निर्दिष्ट करणे आवश्यक आहे, ज्यामुळे बहुभाषिक व्हिडिओंचे प्रतिलेखन करणे कठीण होते.

विविध प्रकारच्या सामग्रीसाठी आमचे नवीन स्वयंचलित स्पोकन लँग्वेज आयडेंटिफिकेशन वैशिष्ट्य मीडिया मालमत्तेमध्ये आढळणाऱ्या भाषा ओळखण्यासाठी मशीन लर्निंग तंत्रज्ञान वापरते. एकदा शोधल्यानंतर, प्रत्येक भाषा विभाग आपोआप योग्य भाषेत लिप्यंतरण प्रक्रियेतून जातो आणि नंतर सर्व विभाग एकाच बहु-भाषा ट्रान्सक्रिप्शन फाइलमध्ये एकत्र केले जातात.

परिणामी उतारा व्हिडिओ इंडेक्सरच्या JSON आउटपुटचा भाग म्हणून आणि उपशीर्षक फाइल्स म्हणून उपलब्ध आहे. आउटपुट ट्रान्स्क्रिप्ट देखील Azure शोध सह एकत्रित केले आहे, जे तुम्हाला तुमच्या व्हिडिओंमधील भिन्न भाषा विभाग त्वरित शोधण्याची परवानगी देते. याव्यतिरिक्त, व्हिडिओ इंडेक्सर पोर्टलवर काम करताना बहुभाषिक लिप्यंतरण उपलब्ध आहे, त्यामुळे तुम्ही उतारा आणि ओळखलेली भाषा कालांतराने पाहू शकता किंवा प्रत्येक भाषेसाठी व्हिडिओमधील विशिष्ट ठिकाणी जाऊ शकता आणि व्हिडिओ प्ले होत असताना मथळे म्हणून बहुभाषिक लिप्यंतरण पाहू शकता. पोर्टल आणि API द्वारे तुम्ही प्राप्त झालेल्या मजकूराचे 54 उपलब्ध भाषांमध्ये भाषांतर देखील करू शकता.

नवीन बहुभाषिक सामग्री ओळख वैशिष्ट्य आणि ते व्हिडिओ इंडेक्सरमध्ये कसे वापरले जाते याबद्दल अधिक जाणून घ्या कागदपत्रे वाचा.

अतिरिक्त अद्ययावत आणि सुधारित मॉडेल

आम्ही व्हिडिओ इंडेक्सरमध्ये नवीन मॉडेल्स देखील जोडत आहोत आणि खाली वर्णन केलेल्यांसह विद्यमान मॉडेल्समध्ये सुधारणा करत आहोत.

लोक आणि ठिकाणांशी संबंधित संस्था काढणे

पॅरिसमधील आयफेल टॉवर आणि लंडनमधील बिग बेन यासारखी सुप्रसिद्ध नावे आणि स्थाने समाविष्ट करण्यासाठी आम्ही आमच्या विद्यमान ब्रँड शोध क्षमतांचा विस्तार केला आहे. ऑप्टिकल कॅरेक्टर रेकग्निशन (OCR) वापरून ते व्युत्पन्न केलेल्या प्रतिलेखात किंवा स्क्रीनवर दिसतात तेव्हा, संबंधित माहिती जोडली जाते. या नवीन वैशिष्ट्यासह, तुम्ही व्हिडिओमध्ये दिसणारे सर्व लोक, ठिकाणे आणि ब्रँड शोधू शकता आणि अधिक माहितीसाठी टाइम स्लॉट, वर्णन आणि Bing शोध इंजिनच्या लिंक्ससह त्यांचे तपशील पाहू शकता.

संपादकासाठी फ्रेम शोध मॉडेल

हे नवीन वैशिष्ट्य JSON तपशीलांमध्ये वैयक्तिक फ्रेम्सशी संलग्न मेटाडेटामध्ये "टॅग" चा संच जोडते जे त्यांचे संपादकीय प्रकार दर्शवते (उदाहरणार्थ, विस्तृत शॉट, मध्यम शॉट, क्लोज-अप, अत्यंत क्लोज-अप, दोन शॉट्स, एकाधिक लोक , घराबाहेर, घरामध्ये इ.). क्लिप आणि ट्रेलरसाठी व्हिडिओ संपादित करताना किंवा कलात्मक हेतूंसाठी विशिष्ट शॉट शैली शोधताना ही शॉट प्रकार वैशिष्ट्ये उपयुक्त आहेत.

अधिक जाणून घ्या व्हिडिओ इंडेक्सरमध्ये फ्रेम प्रकार शोधणे.

वर्धित IPTC मॅपिंग ग्रॅन्युलॅरिटी

आमचे विषय शोध मॉडेल लिप्यंतरण, ऑप्टिकल कॅरेक्टर रेकग्निशन (OCR) आणि डिटेक्टेड सेलिब्रिटींच्या आधारे व्हिडिओचा विषय निर्धारित करते, जरी विषय स्पष्टपणे नमूद केलेला नसला तरीही. आम्ही हे शोधलेले विषय चार वर्गीकरण क्षेत्रांमध्ये मॅप करतो: विकिपीडिया, बिंग, IPTC आणि IAB. ही सुधारणा आम्हाला द्वितीय-स्तरीय IPTC वर्गीकरण समाविष्ट करण्यास अनुमती देते.
या सुधारणांचा लाभ घेणे तुमची वर्तमान व्हिडिओ इंडेक्सर लायब्ररी पुन्हा अनुक्रमित करण्याइतके सोपे आहे.

नवीन थेट प्रवाह कार्यक्षमता

Azure मीडिया सर्व्हिसेसच्या पूर्वावलोकनामध्ये, आम्ही थेट प्रवाहासाठी दोन नवीन वैशिष्ट्ये देखील ऑफर करत आहोत.

AI-चालित रिअल-टाइम ट्रान्सक्रिप्शन थेट प्रवाहाला पुढील स्तरावर घेऊन जाते

लाइव्ह स्ट्रीमिंगसाठी Azure मीडिया सेवा वापरून, तुम्ही आता आउटपुट स्ट्रीम प्राप्त करू शकता ज्यामध्ये ऑडिओ आणि व्हिडिओ सामग्री व्यतिरिक्त स्वयंचलितपणे व्युत्पन्न केलेला मजकूर ट्रॅक समाविष्ट आहे. आर्टिफिशियल इंटेलिजन्सवर आधारित रिअल-टाइम ऑडिओ ट्रान्सक्रिप्शन वापरून मजकूर तयार केला आहे. परिणाम सुधारण्यासाठी स्पीच-टू-टेक्स्ट रूपांतरणापूर्वी आणि नंतर सानुकूल तंत्रे लागू केली जातात. मजकूर ट्रॅक IMSC1, TTML किंवा WebVTT मध्ये पॅकेज केलेला आहे, तो DASH, HLS CMAF किंवा HLS TS मध्ये पुरवला जातो की नाही यावर अवलंबून.

24/7 OTT चॅनेलसाठी रिअल-टाइम लाइन एन्कोडिंग

आमचे v3 API वापरून, तुम्ही OTT (ओव्हर-द-टॉप) चॅनेल तयार, व्यवस्थापित आणि प्रसारित करू शकता आणि इतर सर्व Azure मीडिया सेवा वैशिष्ट्यांचा वापर करू शकता जसे की थेट व्हिडिओ ऑन डिमांड (VOD, मागणीनुसार व्हिडिओ), पॅकेजिंग आणि डिजिटल अधिकार व्यवस्थापन ( DRM, डिजिटल अधिकार व्यवस्थापन).
या वैशिष्ट्यांच्या पूर्वावलोकन आवृत्त्या पाहण्यासाठी, भेट द्या Azure मीडिया सेवा समुदाय.

नवीन पॅकेज निर्मिती क्षमता

ऑडिओ वर्णन ट्रॅकसाठी समर्थन

ब्रॉडकास्ट चॅनेलवर प्रसारित केलेल्या सामग्रीमध्ये नियमित ऑडिओ सिग्नल व्यतिरिक्त स्क्रीनवर काय घडत आहे याचे मौखिक स्पष्टीकरण असलेला ऑडिओ ट्रॅक असतो. हे दृष्टिहीन दर्शकांसाठी कार्यक्रम अधिक प्रवेशयोग्य बनवते, विशेषत: जर सामग्री प्रामुख्याने दृश्यमान असेल. नवीन ऑडिओ वर्णन कार्य तुम्हाला ऑडिओ ट्रॅकपैकी एक ऑडिओ वर्णन ट्रॅक (AD, ऑडिओ वर्णन) म्हणून भाष्य करण्याची अनुमती देते, खेळाडूंना दर्शकांना AD ट्रॅक उपलब्ध करून देण्याची अनुमती देते.

ID3 मेटाडेटा घालत आहे

क्लायंटच्या प्लेअरवर जाहिराती किंवा सानुकूल मेटाडेटा इव्हेंट समाविष्ट करण्यासाठी सिग्नल करण्यासाठी, प्रसारक अनेकदा व्हिडिओमध्ये एम्बेड केलेला कालबद्ध मेटाडेटा वापरतात. SCTE-35 सिग्नलिंग मोड व्यतिरिक्त, आम्ही आता समर्थन देखील करतो ID3v2 आणि इतर सानुकूल योजना, क्लायंट ऍप्लिकेशनद्वारे वापरण्यासाठी ऍप्लिकेशन डेव्हलपरद्वारे परिभाषित केले आहे.

Microsoft Azure भागीदार एंड-टू-एंड सोल्यूशन्स प्रदर्शित करतात

बिटमोविन Microsoft Azure साठी Bitmovin Video Encoding आणि Bitmovin Video Player सादर करते. ग्राहक आता Azure मध्ये या एन्कोडिंग आणि प्लेआउट सोल्यूशन्सचा फायदा घेऊ शकतात आणि थ्री-स्टेज एन्कोडिंग, AV1/VC कोडेक समर्थन, बहुभाषिक सबटायटल्स आणि QoS, जाहिरात आणि व्हिडिओ ट्रॅकिंगसाठी प्री-इंटिग्रेटेड व्हिडिओ विश्लेषण यासारख्या प्रगत वैशिष्ट्यांचा लाभ घेऊ शकतात.

सदाबहार Azure वर त्याचे युजर लाइफसायकल मॅनेजमेंट प्लॅटफॉर्म प्रदर्शित करते. महसूल आणि ग्राहक लाइफसायकल मॅनेजमेंट सोल्यूशन्सचा अग्रगण्य प्रदाता म्हणून, एव्हरजेंट प्रीमियम मनोरंजन प्रदात्यांना लक्ष्यित सेवा पॅकेजेस आणि ग्राहकांच्या जीवनचक्रातील महत्त्वपूर्ण बिंदूंवर ऑफर तयार करून ग्राहक संपादन आणि धारणा सुधारण्यात मदत करण्यासाठी Azure AI चा वापर करते.

हविजन त्याची बुद्धिमान क्लाउड-आधारित मीडिया राउटिंग सेवा प्रदर्शित करेल, SRT हब, जे वापरून ग्राहकांना एंड-टू-एंड वर्कफ्लो बदलण्यात मदत करते अझर डेटा बॉक्स एज आणि Avid, Telestream, Wowza, Cinegy आणि Make.tv कडील Hublets सह वर्कफ्लो बदलणे.

एसईएस ने त्याच्या सॅटेलाइट आणि व्यवस्थापित मीडिया सेवा ग्राहकांसाठी Azure प्लॅटफॉर्मवर ब्रॉडकास्ट-ग्रेड मीडिया सेवांचा एक संच विकसित केला आहे. मास्टर प्लेआउट, स्थानिकीकृत प्लेआउट, जाहिरात शोध आणि बदली आणि Azure वर उच्च-गुणवत्तेचे रिअल-टाइम 24x7 मल्टी-चॅनल एन्कोडिंग यासह पूर्णतः व्यवस्थापित प्लेआउट सेवांसाठी SES निराकरणे प्रदर्शित करेल.

सिंकवर्ड्स Azure वर सोयीस्कर क्लाउड टूल्स आणि सिग्नेचर ऑटोमेशन तंत्रज्ञान उपलब्ध करून देते. या ऑफरमुळे मीडिया संस्थांना Azure वरील त्यांच्या थेट आणि ऑफलाइन व्हिडिओ वर्कफ्लोमध्ये परदेशी भाषेतील सबटायटलसह आपोआप सबटायटल्स जोडणे सोपे होईल.
आंतरराष्ट्रीय कंपनी टाटा एलक्ससी, एक तंत्रज्ञान सेवा कंपनी, क्लाउड वरून OTT सामग्री वितरीत करण्यासाठी त्याच्या OTT SaaS प्लॅटफॉर्म TEPlay ला Azure Media Services मध्ये समाकलित केले आहे. Tata Elxsi ने त्याचे Falcon Eye गुणवत्ता अनुभव (QoE) मॉनिटरिंग सोल्यूशन Microsoft Azure वर आणले आहे, जे निर्णय घेण्याकरिता विश्लेषणे आणि मेट्रिक्स प्रदान करते.

व्हेरिजॉन मीडिया त्याचे स्ट्रीमिंग प्लॅटफॉर्म Azure वर बीटा रिलीझ म्हणून उपलब्ध करून देत आहे. Verizon Media Platform हे एंटरप्राइझ-ग्रेड व्यवस्थापित केलेले OTT समाधान आहे ज्यामध्ये DRM, जाहिरात समाविष्ट करणे, एक-टू-वन वैयक्तिकृत सत्रे, डायनॅमिक सामग्री बदलणे आणि व्हिडिओ वितरण समाविष्ट आहे. एकत्रीकरण कार्यप्रवाह, जागतिक समर्थन आणि स्केल सुलभ करते आणि Azure मध्ये आढळलेल्या काही अद्वितीय क्षमता अनलॉक करते.

स्त्रोत: www.habr.com