Mer exakt videosökning

Boston-baserad startup EveryZing har lanserat en sökmotor som man hoppas kommer att förändra hur människor söker efter ljud och video online. Tidigare känd som PodZinger, en sökmotor för podcast, använder EveryZing talsystem utvecklade av teknikföretag BBN som kan omvandla talade ord till sökbar text med cirka 80 procents noggrannhet. Detta överträffar andra kommersiellt tillgängliga system, säger EveryZings vd Tom Wilde.

Ljudsignaler: En ny sökmotor för video och ljud kan konvertera ljud till en textutskrift med 80 procents noggrannhet. Det är tillräckligt bra för att visa utdrag av transkriptionen, dirigera användare till platsen i filen där en sökterm visas och sammanfatta nyckelbegrepp.

Denna höga noggrannhet möjliggör nya sökmöjligheter, säger Wilde, som möjligheten att tillhandahålla hela transkriptioner av video och ljud, och möjligheten att dirigera människor till den exakta platsen i en fil där ett ord eller en fras läses upp. Tekniken kommer också att låta företaget tillhandahålla riktade annonser kopplade till specifikt innehåll, ungefär på samma sätt som Google tillhandahåller annonser baserade på texten på en webbsida.

Den stora utmaningen [inom video och ljud online] … är ogenomskinligheten hos medieinnehåll, säger Wilde. Det är extremt svårt att veta vilket utbud av innehåll som finns i ett video- eller ljudklipp. Problemet vi vill lösa, säger han, är multimedias upptäckbarhet inom webbsökning. EveryZing gör detta genom att extrahera innehållet i multimediafiler och mata ut text så att den kan dra nytta av de redan existerande textsökningsverktygen som utvecklats av sådana som Google och Yahoo.

Webben exploderar med multimedia från YouTube, poddsändningar, nyhetsrapporter på tv och nationella offentliga radioprogram. Men det är fortfarande svårt att söka efter Barack Obama och ta fram alla instanser på webben där hans namn nämns. Vanligtvis innehåller titlarna på klipp och taggarna som folk tilldelar dem inte tillräckligt med information för att ge användbara sökresultat. Och det är därför en handfull företag under de senaste åren undersöker att använda ljudinnehåll som en guide. Till exempel sökmotor för video Blinkx använder taligenkänningsteknik för att leta igenom hela webben efter relevant innehåll och samla det på en enda webbplats, ungefär som Google samlar webbsidor. (Se Surfa på TV på Internet.)

EveryZings affärsmål skiljer sig från Blinkx, säger Wilde, och han misstänker att de två tillvägagångssätten kan komplettera varandra. Vi handlar om att sälja innehåll, inte att trolla på webben, säger han. EveryZing (som, liksom Blinkx, tillhandahåller en sökportal för webbsurfare) vill främst samarbeta med innehållsleverantörer för att göra deras multimedia sökbar. Till exempel vill företaget konvertera allt ljud- och videoinnehåll inom ABC.com till sökbar text, lägga till tidsstämplar till den texten (liksom redan existerande text med text) så att en person omedelbart kan hoppa till ett specifikt ord i en klämma.

Dessutom, till skillnad från Blinkx nuvarande teknologi, låter BBN:s teknologi EveryZing extrahera koncept på hög nivå som ursprungligen kanske inte har sökts efter. Om någon sökte efter Barack Obama, till exempel, kan EveryZing också erbjuda andra nyckelord i klippet, som rally.

Idén att använda ljudavskrifter för att söka efter multimedia har funnits i forskningslaboratorier i decennier, och grundläggande taligenkänningsforskning går tillbaka ännu tidigare. Mycket av det avgörande arbetet ägde rum vid BBN, MIT, Carnegie Mellon University, IBM och SRI International. 1995 hade Carnegie Mellon en fungerande demonstration av ett liknande videosöksystem, säger han Richard Stern , professor i el- och datateknik vid universitetet. Detta system, som kallas Informedia , sporrade annan forskning på området, säger han, och var föregångaren till BBN:s moderna videoanalysmetod.

EveryZings underliggande teknologi är sammansatt av två grundläggande teknologier från Boston-baserade BBN. Kärnsystemet för tal-till-text, kallat Byblos, har finansierats med 50 miljoner dollar i forskningspengar baserat på en rad statliga anslag under de senaste fem åren, säger Wilde. Med hjälp av probabilistiska maskininlärningsalgoritmer tar systemet en minut att konvertera varje minut av ljudinnehåll till text.

Den andra delen av tekniken, säger Wilde, är algoritmerna som bearbetar innehållet i texten. BBN:s naturliga språkteknologi innehåller enorma lager av fraser och ord för sammanhang, vilket hjälper det att förstå en video. Till exempel kan ett nyhetssegment om hälsa använda ett språk som är specifikt för det medicinska området. I det här fallet skulle systemet kunna känna igen vissa oklara ord. Att förstå innebörden av texten är ett kraftfullt verktyg, säger Wilde, eftersom det låter EveryZing tillhandahålla koncept på hög nivå till användare så att de kan finjustera sin sökning. Och viktigare, det gör det möjligt för företaget att koppla ihop riktade annonser med rätt innehåll.

Tiden är rätt för en videosökmotor med dessa funktioner, säger Carnegie Mellon’s Stern. Video är ett mycket mer övertygande och underhållande medium än bara vanlig text, säger han, och nu finns så mycket av det tillgängligt på Internet. Han tillägger att BBN:s 80-procentiga noggrannhet verkligen är en bragd, och den borde vara tillräcklig för att söka igenom innehållet på nätet.

Även om tekniken är bra, är den inte perfekt, säger EveryZings Wilde. Noggrannheten sjunker när bakgrundsmusik är närvarande och om det är flera personer som pratar samtidigt. Men för infotainment- och nyhetsmarknaden som företaget riktar sig till just nu, bör tekniken erbjuda en betydande förbättring jämfört med vad som är tillgängligt för närvarande, säger han. Jag tror att vi kommer att titta tillbaka om ett par år och säga: 'Självklart måste innehållet i multimediafiler vara sökbart', säger Wilde. Det skulle vara som om webbsidorna bara kunde sökas efter titel och tagg.

Dölj