郭建明

（大連新聞傳媒集團(tuán)，遼寧 大連 116022）

0 引 言

人工智能（Artificial Intelligence，AI）技 術(shù)在過去十年中從實(shí)驗(yàn)室走向產(chǎn)業(yè)化生產(chǎn)，其重塑傳統(tǒng)行業(yè)模式、引領(lǐng)未來的價值已經(jīng)凸顯，并為全球經(jīng)濟(jì)和社會活動做出了不容忽視的貢獻(xiàn)。當(dāng)前，人工智能技術(shù)已經(jīng)迎來其發(fā)展史上的第三次浪潮，AI技術(shù)進(jìn)一步飛躍式發(fā)展。集成了自然語言處理（Natural Language Processing，NLP）[1]、語音系統(tǒng)的智能客服機(jī)器人，可以快速準(zhǔn)確地解答用戶問題、協(xié)助人工客服篩濾用戶，給用戶提供更好、更精準(zhǔn)的服務(wù)體驗(yàn)。

人工智能現(xiàn)在可以自動識別視頻、音頻、圖像及文本中的內(nèi)容，快速準(zhǔn)確地對“涉恐”“涉政”“涉黃”“低俗”等違禁、違法內(nèi)容進(jìn)行篩查，更好地輔助新聞機(jī)構(gòu)的節(jié)目內(nèi)容播出與出版[2]。人工智能產(chǎn)業(yè)是一個飛速發(fā)展的產(chǎn)業(yè)，現(xiàn)今已經(jīng)在醫(yī)療、制造、教育等多個領(lǐng)域?qū)崿F(xiàn)技術(shù)落地，并將在未來給人類社會的經(jīng)濟(jì)發(fā)展、生產(chǎn)、生活方式帶來變革式的影響。

1 語音識別技術(shù)在電視制播業(yè)務(wù)中相關(guān)應(yīng)用

1.1 語音識別技術(shù)

自動語音識別（Automatic Speech Recognition，ASR），是一種將人的語音轉(zhuǎn)換為文本的技術(shù)，支持智能斷句并能夠自動實(shí)現(xiàn)標(biāo)點(diǎn)符號的添加[3]。其主要實(shí)現(xiàn)流程如圖1所示。

圖1 語音識別流程圖

音頻文件一般是wav/mp3/m4a/wma/3gp/amr/aac/flac/flv/mp4等格式的文件。聲學(xué)特征提取主要通過梅爾頻率倒譜系數(shù)（Mel Frequency Cepstrum Coefficient，MFCC）方法提取音頻的高維度特征[4]。聲學(xué)模型比對是通過聲學(xué)模型算法將單個發(fā)音轉(zhuǎn)換為單個字。語言模型通過規(guī)則模型和統(tǒng)計模型將多個單字串成句子。最終，識別結(jié)果輸出語音轉(zhuǎn)文本結(jié)果，通常包含文本內(nèi)容以及對應(yīng)的時間段落。

1.2 語音識別技術(shù)在電視節(jié)目制作中的應(yīng)用

在電視節(jié)目的后期制作中，同期聲字幕是不可或缺的一部分。字幕的出現(xiàn)，不但可以更好地幫助人們聽懂人物到底說的是什么，同時也為聽力障礙觀眾觀看節(jié)目提供了方便。傳統(tǒng)同期聲字幕的制作流程如圖2所示。

圖2 同期聲字幕制作流程圖

傳統(tǒng)同期聲字幕制作的第一步是進(jìn)行字幕聽抄。對照電視節(jié)目聲音，參考節(jié)目畫面內(nèi)容，手動將節(jié)目中的人物對白錄入到文本編輯器。錄入文本的時候，通常每句話一行，每句以回車鍵隔開，并以txt或doc格式進(jìn)行保存。之后，打開非編軟件并加載電視節(jié)目視音頻文件，通過非編軟件的字幕唱詞功能模塊導(dǎo)入剛剛手工錄入的字幕文件。節(jié)目編輯人員在播放電視節(jié)目的同時，采用拍擊“空格鍵”的方式將字幕文件的每一句話手動對應(yīng)到電視節(jié)目的相應(yīng)位置，保證畫面聲音和字幕的一致性。最后，將添加同期聲字幕的電視節(jié)目進(jìn)行最終的合成輸出。

傳統(tǒng)同期聲字幕制作過程主要存在以下弊端。

（1）電視節(jié)目同期聲對白的人工聽抄工作量非常大，而且需要多次人工校對。

（2）在字幕唱詞制作過程中，需要手動對準(zhǔn)每一句對白（字幕）在節(jié)目中的位置。一旦對不準(zhǔn)，則會出現(xiàn)聲音與字幕不同步的情況。因此，這個手動對準(zhǔn)位置的工作量也非常巨大。

引入了語音識別技術(shù)的電視節(jié)目同期聲字幕制作，不但可以智能、自動地識別電視節(jié)目的同期聲對白，自動生成標(biāo)準(zhǔn)字幕格式，自動對準(zhǔn)字幕在節(jié)目中的位置，而且大大提高了節(jié)目制作效率以及字幕的準(zhǔn)確性。自動智能同期聲字幕的制作流程如圖3所示，具體步驟如下。

圖3 自動智能同期聲字幕制作流程圖

（1）打開電視節(jié)目制作軟件（非線性編輯軟件），加載需要加入同期聲字幕的電視節(jié)目。

（2）選擇“語音自動識別”，非編軟件提取節(jié)目的音頻并發(fā)送至“語音識別引擎”?！罢Z音識別引擎”對傳輸來的音頻進(jìn)行分析，生成標(biāo)準(zhǔn)字幕模板（如表1所示），通常每行一句話，每句話都記錄其在節(jié)目中的時間信息，每句以回車鍵隔開。

表1 字幕模板示例表

（3）非編軟件調(diào)用生成的字幕模板，根據(jù)節(jié)目中每句話的內(nèi)容和時間信息自動將所有文字內(nèi)容放置在節(jié)目視頻中的指定位置，自動生成同期聲字幕。

（4）節(jié)目制作人員在人工對字幕進(jìn)行校對后，進(jìn)行節(jié)目的最終合成。

2 文字識別技術(shù)在電視制播業(yè)務(wù)中的應(yīng)用

2.1 文字識別技術(shù)

文字識別（Optical Character Recognition，OCR），是指電子設(shè)備對包含文本資料的圖像文件進(jìn)行分析處理，獲取文字及版面信息的過程[5]，主要工作流程如圖4所示，主要步驟如下。

圖4 OCR文字識別流程圖

（1）圖像輸入。支持處理灰度、彩色、黑白三種色彩的bmp、tif、jpg、pdf等多種格式的圖像文件。

（2）預(yù)處理。首先將圖像進(jìn)行二值化處理，只保留黑、白兩種顏色，一種顏色是背景顏色，另一種顏色就是要識別的文字。然后進(jìn)行噪聲去除。

（3）版面分析。將文檔圖片分段落、分行處理。

（4）字符識別。早期采用模板匹配，現(xiàn)在主要采用特征提取，即將文字圖像提取出特征給分類器，分類器對其進(jìn)行分類，判斷出這個特征該識別成哪個文字[6]。

（5）版面恢復(fù)。最后輸出到word、pdf等文檔的格式仍然保持原文檔圖片的格式，段落不變，位置不變，順序不變。

2.2 OCR文字識別在電視節(jié)目譯制的應(yīng)用

譯制中心主要對優(yōu)秀的電視劇、電影進(jìn)行二次創(chuàng)作，對不同語言的電影、電視劇、動畫片進(jìn)行重新配音、配字幕，以便更好地進(jìn)行文化交流。

引入了OCR文字識別技術(shù)的影視節(jié)目譯制，可以智能、自動地識別影視節(jié)目中的字幕內(nèi)容，以便于譯制人員的語言翻譯，同時，翻譯后的語言可以自動生成標(biāo)準(zhǔn)字幕格式，自動對準(zhǔn)字幕在節(jié)目中的位置，大大提高了影視節(jié)目字幕譯制的工作效率，其流程如圖5所示，主要步驟如下。

圖5 結(jié)合字幕自動識別的字幕譯制流程圖

（1）打開節(jié)目譯制軟件，加載需要譯制的影視節(jié)目。

（2）譯制軟件將節(jié)目按照視頻連續(xù)畫面將視頻進(jìn)行鏡頭切分，并進(jìn)行關(guān)鍵幀提取，也就是將一段完整的視頻提取出一系列的圖片，如圖6所示。

圖6 視頻節(jié)目畫面抽幀示意圖

（3）“OCR文字識別引擎”對抽幀畫面進(jìn)行逐一分析，解析出每個畫面的文字內(nèi)容以及對應(yīng)的時間位置信息。

（4）節(jié)目譯制軟件參照“OCR文字識別”的原文結(jié)果進(jìn)行文字翻譯，如表2所示。

表2 文字識別與文字譯制表

（5）節(jié)目制作人員在人工對字幕進(jìn)行校對后，進(jìn)行節(jié)目的最終合成。合成時，選取翻譯后的字幕，將翻譯后的文字放置在節(jié)目視頻中的指定位置。

3 圖像識別技術(shù)在媒資管理系統(tǒng)中的應(yīng)用

3.1 圖像識別技術(shù)

隨著數(shù)字圖像處理技術(shù)的快速發(fā)展，圖像識別技術(shù)也得到了廣泛的應(yīng)用，可用于地形地貌勘查，海洋、水利、氣候、環(huán)境的監(jiān)測，軍事目標(biāo)以及建筑物的識別，生物醫(yī)學(xué)領(lǐng)域的影像處理以及安全領(lǐng)域中的指紋識別、人臉識別等。

圖像識別的核心技術(shù)是圖像分類與圖像檢索，需要建立足夠多的訓(xùn)練庫以及海量的場景、物體、事件識別模板。圖像識別過程中，首先排除無效特征，然后對重要的特征進(jìn)行提取并對關(guān)鍵信息進(jìn)行比對，最終輸出識別結(jié)果[7]，流程如圖7所示。

圖7 圖像識別流程示意圖

3.2 圖像識別技術(shù)在媒資管理系統(tǒng)中的應(yīng)用

廣播電視行業(yè)的媒資管理系統(tǒng)提供歷史資料上載、采集、編目、審核及管理等業(yè)務(wù)功能。同時，通過內(nèi)容管理、存儲管理、媒體分析、智能轉(zhuǎn)碼、智能索引以及工作流等引擎，為系統(tǒng)用戶提供精確查詢、高效檢索、快速瀏覽及下載服務(wù)[8]。

媒資編目是媒資管理系統(tǒng)的一個核心重要環(huán)節(jié)，需要人工對素材內(nèi)容瀏覽，然后將素材參照4層編目（節(jié)目層、片段層、場景層和鏡頭層）規(guī)范，分析節(jié)目內(nèi)容、提取關(guān)鍵畫面，并通過題名、主題、描述、創(chuàng)建、出版、版權(quán)、語種、日期、類型、格式、標(biāo)識、來源及關(guān)聯(lián)等相關(guān)信息進(jìn)行著錄[9]。傳統(tǒng)的人工編目環(huán)節(jié)耗時耗力，需要一邊對內(nèi)容瀏覽的同時一邊進(jìn)行編目錄入，效率低下而且容易出錯。

引入了圖像識別技術(shù)的媒資管理系統(tǒng)，不但可以智能、自動地識別影視節(jié)目中的畫面內(nèi)容，實(shí)現(xiàn)機(jī)器智能分類標(biāo)簽+人工自定義的混合編目，而且能對音視頻中的地點(diǎn)、時間進(jìn)行多模態(tài)的標(biāo)記、編目。常見標(biāo)簽類型如表3所示[10]。

表3 常見標(biāo)簽類型表

引入了智能標(biāo)簽體系的媒資管理系統(tǒng)，比傳統(tǒng)媒資系統(tǒng)四級編目方式更加靈活，比傳統(tǒng)媒資編目錄入項(xiàng)更加豐富，提供了高效精準(zhǔn)的媒資檢索手段，實(shí)現(xiàn)了節(jié)目素材精準(zhǔn)定位，能夠節(jié)約時間，提高媒資管理效率。

4 結(jié) 語

人工智能技術(shù)給人們的生活帶來了極大的便利，同時也改變了人們的工作方式。廣播電視行業(yè)也處于大數(shù)據(jù)、云計算、媒體深度融合高速發(fā)展期。廣播電視行業(yè)應(yīng)根據(jù)傳統(tǒng)電視制播業(yè)務(wù)的自身特點(diǎn)，積極探索人工智能AI技術(shù)，并應(yīng)用到自身業(yè)務(wù)當(dāng)中，使人工智能技術(shù)更好地服務(wù)于廣播電視業(yè)務(wù)，打造先進(jìn)、高效、智能的新一代廣電制播業(yè)務(wù)體系，在未來的行業(yè)競爭中占據(jù)優(yōu)勢。