AI-pohjainen aktiivisen puhujan tunnistus monikameratuotannossa
Mediatuotantoyritys, joka tuottaa monikamerahaastatteluita ja paneelikeskusteluja, tarvitsi automaattisen tavan tunnistaa, kuka puhuu milläkin hetkellä monimutkaisesta videomateriaalista.
Keskustele Projektistasi
Haaste
Monikamerasisällön (haastattelut, podcastit, paneelikeskustelut) tuottaminen edellytti leikkaajilta tuntien videomateriaalin manuaalista läpikäyntiä tunnistaakseen aktiiviset puhujat ja tehdäkseen leikkauksia. Tämä prosessi oli:
- Erittäin aikaa vievää (10-15-kertainen suhteessa reaaliaikaan manuaalisessa tarkastelussa)
- Altis inhimillisille virheille puhujan tunnistamisessa
- Pullonkaula, joka esti nopean sisällöntuotannon
Meidän Ratkaisumme
Rakensimme AI-pohjaisen videoanalyysialustan syväoppimisen putkistolla, joka tunnistaa automaattisesti aktiiviset puhujat yhdistämällä ääni- ja visuaalisia signaaleja.
Arkkitehtuuri
- Taustaohjelmisto: Python/Flask REST API MongoDB:llä ja Redisillä
- Koneoppimisputkisto: TalkNet-ääni-visuaalinen fuusiomalli, YOLOv8 Nano kasvojen tunnistukseen, OpenAI Whisper transkriptioon
- GPU-optimointi: PyTorch ja CUDA, kuvan harvennus 3x nopeuden parantamiseksi, eräkäsittely
- Infrastruktuuri: Monen instanssin käyttöönotto hajautetulla MongoDB-pohjaisella lukituksella
Käsittelyputkisto
- Median poiminta - Videon lataus ja äänen/videon erottelu
- Kohtauksen tunnistus - Sisältöpohjainen raja-arvon tunnistus PySceneDetectin avulla
- Kasvojen tunnistus - YOLOv8 Nano kasvojen tunnistus kuvan harvennuksella
- Kasvojen seuranta - IoU-pohjainen kehysten välinen linkitys
- TalkNet-päättely - Ääni-visuaalinen fuusio usean keston pisteytyksellä (1s, 2s, 4s, 6s ikkunat)
- Transkriptio - Whisper-pohjainen puheesta tekstiksi sanakohtaisilla aikaleimoilla
Tärkeimmät ominaisuudet
- Aktiivisen puhujan tunnistus ristiinmodaalisella huomioinnilla (huulten liikkeet + ääni)
- Usean keston luottamuspisteytys vankan puhujan tunnistamisen varmistamiseksi
- Automaattinen transkriptio sanakohtaisilla aikaleimoilla
- Taustatyön ajoitus peruutustuella
- Suorituskyvyn valvonta ja GPU-muistinhallinta
Tulokset
Teknologiapino
caseStudyDetail.more Tapaustutkimukset
Tutustu lisää teknisiin toteutuksiimme
Reaaliaikainen videokohteenseuranta automaattisella keskityksellä ja palautuksella
Videotuotantotiimi tarvitsi työkalun, joka pystyisi seuraamaan valittua kohdetta videokuva-aineistossa ja pitämään sen automaattisesti keskitettynä kuvaruudussa sen liikkuessa — sujuvilla siirtymillä, useilla seuranta-algoritmivaihtoehdoilla ja automaattisella palautuksella, kun seurain kadotti kohteen.
Monialustainen mobiilivideomuokkaus AI-pohjaisen analyysin avulla
Sisällöntuottajat ja media-alan ammattilaiset tarvitsivat mobiilikeskeisen videomuokkausratkaisun, joka voisi hyödyntää AI-vetoisen analyysin tuloksia älykkäämpiin muokkaustyönkulkuihin liikkeellä ollessaan.
Usein kysytyt kysymykset
MicrocosmWorks developed a multimodal fusion model that correlates lip movement visual features extracted from each camera feed with the audio signal using cross-attention layers. The model outputs per-frame speaker probability scores for each visible face, achieving 94% accuracy even when multiple participants speak simultaneously.
MicrocosmWorks optimized the inference pipeline to run on NVIDIA T4 GPUs with TensorRT acceleration, achieving under 150ms end-to-end latency from frame capture to speaker identification. This latency is well within the acceptable range for live production switching, where typical cut delays are 300-500ms.
MicrocosmWorks trained the model on diverse occlusion scenarios and implemented a temporal smoothing algorithm that maintains speaker tracking through brief occlusions using audio-only confidence scores. When visual confidence drops below a threshold, the system falls back to audio source localization using beamforming data from multi-microphone arrays.
MicrocosmWorks built a companion control module that translates speaker detection outputs into standard tally/control signals compatible with Blackmagic ATEM via the ATEM SDK and NewTek NDI for TriCaster systems. Production directors can set the system to auto-switch or advisory mode where it suggests cuts without executing them.
MicrocosmWorks builds custom AI video analysis systems at rates of $30-$50/hr, with a multi-camera active speaker detection system including model training, TensorRT optimization, and switcher integration typically requiring 500-750 development hours. The model training phase requires GPU compute resources that usually add $2,000-$5,000 to the project cost.
Valmis Muuttamaan Liiketoimintaasi?
Keskustellaan siitä, miten voimme soveltaa vastaavia ratkaisuja haasteisiisi.