YouTube si zaslouží potlesk - protože video platforma nyní může automaticky zahrnovat [APPLAUSE] a další zvukové efekty do skrytých titulků videa. Rozšíření titulků, které bylo oznámeno ve čtvrtek 23. března, je umožněno hlubokými neuronovými sítěmi, formou umělé inteligence.
Prozatím může YouTube automaticky označovat pouze potlesk, hudbu a smích, ale tyto tři zvukové efekty byly popisy, které tvůrci obsahu přidali ručně přes jakýkoli jiný hluk skrytých titulků. Nejnovější funkce vychází z funkce automatických titulků spuštěné v roce 2009 pro text, ale do systému přidává první zvukové efekty.
YouTube říká, že program funguje podobně jako detekce objektů v obrazech, ale při rozpoznávání objektů čelil několika dalším obtížím. Aby program rozpoznal pouze tyto tři zvuky, museli inženýři YouTube naučit program tyto zvuky detekovat, dočasně je oddělit a poté tento rozpoznaný zvuk vložit do titulků.
Systém měl také tendenci bojovat se zvukovými efekty, které se vyskytovaly současně s jinými zvuky, jako je smích a mluvení. Další výzvou bylo najít dostatečně velký soubor dat pro trénování systému, který ještě nebyl dostatečně označen ručním zadáním dat.
Síť hlubokého učení analyzuje krátké segmenty v sekvenci a je schopna předpovědět pravděpodobnost těchto zvukových efektů rychlostí asi 100 snímků za sekundu. Inženýři YouTube však postavili systém tak, aby později bylo možné do systému přidat další zvukové efekty.
Proč tedy potlesk, hudba a smích? Kromě toho, že jsou to nejčastěji ručně upravované štítky v systému titulků, každý z těchto zvuků má také jen jeden význam. „Zvonění,“ vysvětlil YouTube, když nabízí příklad, může být zvonění od zvonku, telefonu nebo alarmu, což pro software představuje zcela novou výzvu.
Podle YouTube se denně sleduje více než 15 milionů videí s automatickými titulky. V testu nejnovější aktualizace automatických titulků dvě třetiny uvedly, že štítky zvukových efektů vylepšily celkový zážitek.
