ビデオ検索エンジン

ビデオ検索エンジンは、 Webをクロールしてビデオコンテンツを検索するWeb ベースの検索エンジンです。ビデオ検索エンジンの中には、外部でホストされているコンテンツを解析するものもあれば、コンテンツをアップロードして独自のサーバーにホストできるものもあります。エンジンによっては、ビデオの形式タイプやクリップの長さで検索できるものもあります。ビデオ検索結果には通常、ビデオの サムネイルビューが付随します。

ビデオ検索エンジンは、インターネット サーバー経由または同じコンピューターのストレージ ユニット経由でデジタル デバイスに保存されているビデオを検索するために設計されたコンピューター プログラムです。これらの検索は、オーディオビジュアル インデックス作成によって実行できます。オーディオビジュアルインデックス作成では、オーディオビジュアル素材から情報を抽出してメタデータとして記録し、検索エンジンで追跡できます。

これらの検索エンジンの主な用途は、オーディオビジュアル コンテンツの作成の増加と、それを適切に管理する必要性です。オーディオビジュアル アーカイブのデジタル化とインターネットの確立により、大規模なデータベースに大量のビデオ ファイルが格納されるようになりましたが、データの量が膨大で意味のギャップが存在するため、その復元は非常に困難になる可能性があります。

各検索エンジンが使用する検索基準は、検索の性質と目的によって異なります。

メタデータは事実に関する情報です。ビデオの作成者、作成日、期間、および同じファイルに抽出して含めることができるすべての情報に関する情報です。インターネットでは、メタデータをエンコードするために XML と呼ばれる言語がよく使用されます。これは Web で非常にうまく機能し、人間が読み取ることができます。したがって、これらのファイルに含まれるこの情報を通じて、興味のあるデータを見つけるのが最も簡単な方法です。

動画には、動画コード​​自体に統合できるメタデータと、動画が掲載されているページからの外部メタデータの 2 種類のメタデータがあります。どちらの場合も、インデックス作成時に理想的なものになるよう最適化されています。

すべてのビデオ形式には独自のメタデータが組み込まれています。コンテンツのタイトル、説明、コーディング品質、または転写が可能です。これらのデータを確認するには、FLV MetaData Injector、Sorenson Squeeze、Castfire などのプログラムがあります。それぞれにユーティリティと特別な仕様があります。

ある形式から別の形式に変換すると、このデータの多くが失われる可能性があるため、新しい形式の情報が正しいことを確認してください。したがって、すべての検索ロボットがビデオを見つけてインデックスを作成できるように、ビデオを複数の形式で用意することをお勧めします。

ほとんどの場合、画像やテキスト コンテンツの配置と同じメカニズムを適用する必要があります。

タイトルには必要な情報のほとんどが含まれているため、ビデオを配置する際に最も重要な要素となります。タイトルは明確に説明的なものでなければならず、役に立たない単語やフレーズはすべて削除する必要があります。

タイトルや説明を見なくても動画の内容がわかるキーワードを含め、説明的な内容にしてください。単語をダッシュ​​「-」で区切るのが理想的です。

ビデオが掲載されているページには、マイクロフォーマット「rel-tag」にリンクされたキーワードのリストが必要です。これらの単語は、検索エンジンによって情報を整理するための基礎として使用されます。

完全に標準的ではありませんが、指定された時間コンポーネントに情報を保存する形式が 2 つあります。1 つは字幕用、もう 1 つは字幕にも使用できるトランスクリプト用です。字幕の形式は SRT または SUB、トランスクリプトの形式は TTXT です。

音声認識は、動画のオーディオ トラックの音声を書き起こしてテキスト ファイルを作成することから構成されます。このようにして、フレーズ抽出ツールの助けを借りて、動画コンテンツが興味深いものであれば簡単に検索できます。一部の検索エンジンは、音声認識を使用して動画を検索する以外に、特定の単語またはフレーズがあるマルチメディア ファイルの特定のポイントを見つけるためにも音声認識を使用し、そのポイントに直接移動します。Google Labsが開発したプロジェクトである Gaudi (Google Audio Indexing) は、音声認識テクノロジを使用して、オーディオ内で 1 つ以上の単語が話された正確な瞬間を特定し、ユーザーが単語が話された正確な瞬間に直接移動できるようにします。検索クエリが YouTube のいくつかの動画に一致する場合、その位置は黄色のマーカーで示され、書き起こされたテキストを読むにはマウスをその上に移動する必要があります。

文字起こしに加えて、分析によってさまざまな話者を検出し、場合によってはその話者の特定された名前にそのスピーチを関連付けることもできます。

テキスト認識は、「キャプション」を通じてビデオ内の文字を認識するのに非常に役立ちます。音声認識と同様に、文字認識を通じて特定のポイントからビデオを再生できる検索エンジンもあります。

TalkMiner は、テキスト認識によってビデオから特定の断片を検索する例で、スライドの形状や静的性質などの識別サインを探しながら各ビデオを 1 秒ごとに分析し、スライドの画像をキャプチャして、光学文字認識(OCR) を使用してスライド上の単語を検出します。次に、これらの単語はTalkMiner の検索エンジンでインデックス化され、現在、スタンフォード大学、カリフォルニア大学バークレー校、TED などの機関から 20,000 本以上のビデオをユーザーに提供しています。

視覚記述子を通じて、ビデオのフレームを分析し、メタデータとしてスコア付けできる情報を抽出できます。説明は自動的に生成され、色、テクスチャ、形状、動き、状況など、フレームのさまざまな側面を説明できます。

ビデオ分析により、カメラアングルの変更、オーディオジングルの識別などの技術を使用して、自動的にチャプターを作成できます。ビデオドキュメントの一般的な構造を知ることで、開始クレジットと終了クレジット、コンテンツ部分、広告ブレークの開始と終了を識別することができます。

検索エンジンの有用性は、返される結果セットの関連性によって決まります。特定の単語やフレーズを含むビデオが何百万もあるかもしれませんが、一部のビデオは他のビデオよりも関連性が高く、人気があり、権威がある場合があります。この配置は、検索エンジンの最適化と大きく関係しています。

ほとんどの検索エンジンは、さまざまな方法を使用して結果を分類し、最初の結果に最適なビデオを提供します。ただし、ほとんどのプログラムでは、いくつかの基準で結果を並べ替えることができます。

この基準はより曖昧で客観性に欠けますが、時には私たちが望むものに最も近いものになります。完全に検索者と所有者が選択したアルゴリズムに依存します。そのため、常に議論されてきましたが、検索結果が社会に深く根付いている現在では、さらに議論されています。このタイプの管理は、検索された単語が出てくる回数、その閲覧回数、そのコンテンツにリンクしているページの数、それを見たユーザーによる評価に依存することがよくあります。^[1]

これは完全にタイムラインに基づいた基準です。結果はリポジトリ内の優先順位に従って並べ替えることができます。

各ビデオの人気度を知ることができます。

これはビデオの長さであり、それがどのようなビデオであるかを推測することができます。

リポジトリでは、品質と関連性のあるコンテンツが検索結果のリストで上位に表示され、注目度が高まるように、ユーザーに動画を評価させるのが一般的です。この方法は、仮想コミュニティと密接に関係しています。

インターフェースには 2 つの基本的な種類があります。1 つはインターネットからアクセスされ、ネットワーク経由で検索されるサーバー上でホストされている Web ページであり、もう 1 つはプライベート ネットワーク内を検索するコンピュータ プログラムです。

インターネット インターフェイスには、独自のデータベースのみを検索する検索エンジンを組み込んだビデオ ファイルをホストするリポジトリや、外部ソフトウェアのソースを検索するリポジトリのないビデオ検索ツールがあります。

サーバー上に保存されたビデオ ファイルの収容場所を提供し、通常、ユーザーがアップロードしたビデオを検索する統合検索エンジンを備えています。最初の Web リポジトリの 1 つ、または少なくとも最も有名なのは、ポータルの Vimeo、Dailymotion、YouTube です。

これらの検索は、多くの場合、ユーザーが動画に割り当てたメタデータ タグ、タイトル、説明の読み取りに基づいています。これらの検索結果の配置と順序の基準は、通常、ファイルのアップロード日、視聴回数、または関連性と呼ばれるものから選択できます。それでも、並べ替え基準は今日ではこれらの Web サイトの主な武器です。なぜなら、プロモーションの観点から動画の位置付けが重要だからです。^{[引用が必要]}

これらは、ネットワーク全体または特定の事前に選択されたリポジトリのビデオを検索することを専門とする Web サイトです。これらは、Web スパイダーによって自動的にネットワークを検査し、訪問した Web サイトのコピーを作成します。その後、検索エンジンによってインデックスが作成され、より高速な検索が可能になります。

検索エンジンは、コンピューター内に保存されているオーディオビジュアル ファイルのみを検索する場合もあれば、テレビのように、ユーザーがローカル エリア ネットワーク経由でアクセスするプライベート サーバーのみを検索する場合もあります。これらの検索エンジンは通常、結果を表示する際の速度と効率を最大限に高めるために、非常に特殊な検索オプションを備えたソフトウェアまたはリッチ インターネット アプリケーションです。これらは通常、大規模なデータベースに使用されるため、テレビ会社のニーズを満たすことに重点が置かれています。このタイプのソフトウェアの例としては、Digition Suite があります。これは、この種のインターフェイスのベンチマークであるだけでなく、Corporació Catalana de Mitjans Audiovisualsのファイル ストレージおよび検索システムとして非常によく知られています。^[2]

このスイートの最も強力な点は、作成、インデックス作成、保存、検索、編集、復元の全プロセスを統合していることです。デジタル化されたオーディオビジュアルコンテンツは、コンテンツの重要性に応じてさまざまなレベルのさまざまな手法でインデックス作成され、保存されます。ユーザーは、特定のファイルを取得するときに、番組のタイトル、発行日、出演者、プロデューサーの名前などの検索フィールドに入力する必要があります。ロボットが検索を開始します。結果が表示され、好みに応じて整理されると、ユーザーは低品質のビデオをできるだけ早く再生できます。目的のコンテンツが見つかると、高精細でダウンロードされ、編集されて再生されます。^[3]

ビデオ検索は、今日存在するいくつかの基本的な検索形式を通じてゆっくりと進化してきましたが、すべてキーワードを使用しています。各検索のキーワードは、メディアのタイトル、メディアに添付されたテキスト、コンテンツにリンクされた Web ページ内にあります。また、ビデオがホストされているリソースの作成者やユーザーによって定義されます。

一部のビデオ検索は人力検索を使用して実行されますが、ビデオの内容を自動的に検出して検索者のニーズに一致する技術システムを作成するものもあります。人力検索とビデオの内容を認識するアルゴリズムの作成の両方を含むビデオ検索を改善するための多くの取り組みは、検索の取り組みを完全に再開発することを意味しています。

音声からテキストへの変換は可能であることは一般的に認められていますが、最近、Everyzing の新 CEO である Thomas Wilde 氏は、音楽や周囲の雑音、または複数の人が話しているときに Everyzing が 70% の確率で機能することを認めました。ニュース番組のような会話 (1 人の人物が明瞭に話し、周囲の雑音がない) が可能な場合は、この確率は 93% にまで上がります。(Web Video Summit、カリフォルニア州サンノゼ、2007 年 6 月 27 日より)

あらゆる言語には約 40 個の音素があり、すべての話し言葉には約 400 個の音素があります。音声テキスト変換処理が完了した後にテキスト検索アルゴリズムを適用するのではなく、一部のエンジンでは音声検索アルゴリズムを使用して話し言葉内で結果を検索します。他のエンジンでは、ポッドキャスト全体を文字通り聞き、高度な音声テキスト変換プロセスを使用してテキストの書き起こしを作成します。テキスト ファイルが作成されると、任意の数の検索語やフレーズでファイルを検索できます。

動画のビジュアル検索はうまく機能せず、これを公に使用している企業もないことは、一般的に認められています。カリフォルニア大学サンディエゴ校とカーネギーメロン大学の研究者は、15 年以上にわたってビジュアル検索の問題に取り組んできましたが、2007 年春にカリフォルニア大学バークレー校で開催された「検索の未来」カンファレンスでは、単純な検索でさえ実現可能になるまでに何年もかかると認めました。

ビデオのホスティングの影響を受けない検索。ビデオがどこに保存されているかに関係なく、結果が返されます。

• blinkx は2004 年に開始され、メタデータだけに頼るのではなく、音声認識と視覚分析を使用してスパイダー ビデオを処理します。blinkx は、Web 上で最大のビデオ アーカイブを所有していると主張しており、そのコレクションは約 2,600 万時間分のコンテンツに上ります。
• CastTV は、 2006 年にDraper Fisher Jurvetson、Ron Conway、Marc Andreessenによって設立された Web 全体のビデオ検索エンジンです。
• Munax は2005 年に最初のバージョンの全コンテンツ検索エンジンをリリースし、ビデオ検索機能を備えた国内および世界規模の検索エンジンを強化しました。
• Picsearch Video Search は、2006 年から検索ポータルにライセンス供与されています。Picsearch は、世界中の 100 を超える主要な検索エンジンに画像、ビデオ、オーディオ検索を提供する検索テクノロジー プロバイダーです。

検索結果では、ホストされている大きなビデオが優先的に扱われるため、検索結果が修正されるか、疑わしいものになります。

• AOL Video は、Web 上の人気ビデオ サイトにあるビデオを検索できるビデオ検索エンジンを提供しています。2005 年 12 月に、AOL はTruveo Video Search を買収しました。
• Bing ビデオ検索は、 Bingを搭載した検索エンジンであり、 Yahoo!ビデオ検索でも使用されています。
• Google ビデオは、Googleのビデオ検索エンジンです。
• Tencent Video は、Tencentのビデオ検索を提供します。

• コンテンツベースの画像検索
• メタデータ
• 光学文字認識
• 検索エンジン最適化
• 音声認識
• ビデオ閲覧
• ビデオコンテンツ分析

検索エンジンの仕組み（英語）