Vertex afritunarþjónusta
Yfirlit yfir mál
Gervigreindardrifinn fjölmiðlapallur hannaður til að vinna úr milljónum mínútna hljóð- og myndbands. Hann tekur upp háskólatímarit — á aramísku og ensku — og breytir þeim í hreinan, uppsettan texta með réttum skriftum, merkingum, staðfestum heimildum og tímasettum undirtextum. Þegar myndbandsfærslur berast greinir kerfið þær sjálfkrafa, dregur út hljóðrásina og keyrir í gegnum sama afritunarferlið.
Markmið: Byggja fjölmiðlakerfi sem getur unnið úr milljónum mínútna efnis og útvegað prentunarhæfan texta, undirtexta og HLS strauma - með eins litlu handvirku starfi og mögulegt er. Vinna bæði með hljóð og myndband í gegnum eina ferla, afrita fjöltyngt efni með mikilli nákvæmni og skala það á Kubernetes til að vinna úr hópum af 300+ samtímis upptökum.
Lykilupplýsingar um verkefnið
Iðnaður
Kennslugagnapallar, trúarstofnanir, fjölmiðlútgáfa, netnámsfyrirtæki, fyrirlesturarsafn, fræðileg gagnasöfn.
Þjónustur
Gervigreindarafritun, myndvinnsla, hljóðútdráttur, HLS margkæða umritun, undirtextaframleiðsla, hópastjórnun, heimildarstaðfesting, skýjaafhending, forskoðunarmyndir og forskoðanagerð.
Lausnir
Einingar hljóð/myndbands ferill, sjálfvirk sniðgreining, fjöltyng afritun, skriftbreyting með merkingum, hljóðhlé klipping, tímasetningarsamsetning, trúarheimildarstaðfesting, sveigjanlegt val á gervimódelum.
Tæknilegir þættir
Python, FastAPI, Google Vertex AI, Gemini Pro, Gemini Flash, Gemini Flash-Lite, FFmpeg, FFprobe, AWS S3, Google Cloud Storage, Kubernetes, Helm, Docker, ARM einingar, HLS (m3u8), asynkrón Python, tengiminnisstjórnun, CI/CD ferli.
Áskoranirnar
Flókið mörgum tungumálum
Hljóðið skiptist á milli aramísku, ensku og annarra tungumála í miðjum upptökum. Sérstakur gervigreindarstraumspétting og fjölskrefa textavinnsla þurfti til að setja réttar merkingar og uppsetningu alls staðar.
Myndband og hljóð í einum ferli
Kerfið þurfti að styðja bæði bara hljóð og myndbandsgáma. FFprobe byggð sjálfvirk greining dregur út hljóðrás úr hvaða myndbandsformi sem er áður en vinnsla hefst - ekkert notendagrip er krafist.
Skalast fyrir milljónir mínútna
Hannað frá grunni fyrir mikla magnið: fullkomnlega ósamstillt, samhliða og Kubernetes-náttúrulegt með réttum auðlindastjórnun til að taka við álagssprengjum.
Snjall klipping fyrir langar fyrirlesturshljóðritanir
Fyrirlestrar eru oft yfir eina klukkustund. Hljóðhlé klipping skiptir skjölum náttúrulega, meðan tímasamsetning endurbyggir samfellt línurit án bils eða oflappa.
Snjall endurtilraunarkerfi fyrir gervigreindarvinnu
Hundruð samhliða gervigreindarverkefna ýta á mörk þjónustuveitanda krefjandi. Snjall endurtilraun, aðlögunartímasetning og biðraðastjórnun halda ferlinu gangandi án þess að verkefni fara forgörðum.
Val á gervigreindarlíkani fyrir kostnaðarsparnað
Þrjár stig gervigreindarmódela — öflug, hröð og létt — eru valin sveigjanlega út frá lengd og flækjustigi efnisins, sem skilar allt að 60% lægri kostnaði á styttra efni.
Ferlið
Skrá hvers konar — hvort sem er hrá hljóðfyrirlestur eða full myndbandsupptaka — ferðast í gegnum einn sjálfvirkan feril. Átta athugunarstig fær efnið frá hráu inntaki til útgáfu hæfs framleiðslu, með myndvinnslu í gangi samhliða svo ekkert bíður á öðru.
Fjölmiðlagreining & undirbúningur
FFprobe kannar hvort skráin sé hljóð eða myndband. Fyrir myndband er hljóðrásin sjálfkrafa tekin út. Tímalengd og sniðsgreining ákvarðar síðan vinnsluáætlun.
Hljóðskipting byggð á þögn
Skrár lengri en 20 mínútur eru skipt í bita við eðlileg þögnarpunkt þannig að enginn setning er klipptur í miðri, sem gerir samtíma afritun á öllum hlutum mögulega.
Gervigreindarafritun
Hvern hluta er sendur til Gemini Pro eða Flash — valið eftir lengd efnis — með uppbyggðu formi sem krefst þess að módelið skili tímasettum texta með umræðumerkjum.
Samsetning tímalínunnar
Öll afrituð stykki eru svo samsett aftur með réttum tímamun inn í eitt samfellt skjal, með 99% nákvæmni í tímasetningu alla upptöku.
Eftirvinnsla texta
Hrá afritun fer í gegnum skriftbreytingu, merkingarsetningu, hreinsun uppsetningar og staðfestingu trúarheimilda með utanaðkomandi gagnagrunni.
Myndvinnsla (samhliða)
Á meðan afritun fer fram sér myndbandsmódullinn um margkæða HLS umritun, myndmyndagerð, forskoðunarklippa og meðhöndlun margra hljóðrása með FFmpeg.
Undirtextar & samantekt
Úr endanlega staðfestri texta eru búin til tímasett undirtextaskjöl (.vtt / .srt) ásamt sjálfvirkri gögnumyfirliti fyrir efnisgeymslu.
Skýjaafhending
Allt — afritun, undirtextar, samantekt, HLS straumar — eru hlaðin upp á AWS S3 með tenglum sendum til efnahópsins. 100% gagnavistun jafnvel við tengingafall.
Lausnir
Lykilatriði lausnarinnar
Einingu hljóð- og myndleið — FFprobe greinir sjálfvirkt snið. Ein inngönguleið sér um MP4, MKV, WebM, MOV og hljóð án handvirkrar umbreytingar.
Fjöltyngri AI-mögnun — Sér um upptökur á ensku, aramísku og blönduðum tungumálum með vísbendingum sem varðveita málamörk og beita réttum ritvenjum.
Dýnamísk val á AI-módeli — Pro, Flash og Flash-Lite stig eru valin sjálfkrafa út frá lengd skráar og tegund efnis — hámarkar nákvæmni á sama tíma og API-kostnaður er lágmörkaður.
HLS marg-Bitrate streyma — Samhliða myndvinnsla framleiðir aðlögunarhæf strauma, forskoðunarmyndir og forsmekkur klippa til notkunar í hvaða nútímalegum myndspilara sem er.
300+ samhliða lotuvinna — Kubernetes-innfædd órásbundin arkitektúr sér um stórar lotur án hindrana. Helm töflur sjá um útbreiðslu og stækkun á ARM-tölvum.
Niðurstöður í tölum
99%
Nákvæmni fyrir ensk og aramísk hljóðefni með réttum ritreglum og stafa- og áherslumerkjum sjálfvirkt beitt.
300+
Ritunarverkefni unnin samtímis með snjallri biðröðastjórnun og aðlögunarhæfum afturköllunartækni.
60%
Sparnaður með dýnamískri val á módeli — léttari módeli sjá sjálfkrafa um styttra efni.
100%
Engin gagnatap jafnvel við tengingarrof, með sjálfvirkri samstillingu þegar tenging er endurheimt.
