Библиотека Интернет Индустрии I2R.ru

Большинство поисковых пауков, которые бороздят Сеть и поставляют материал для составления поискового индекса, остаются <слепыми> и <глухими> по отношению к видео- и аудиоконтенту. Если поиск по рисункам кое-как работает, то поиск среди звуковых файлов отсутствует и на Google, и на других поисковиках. От этого страдают, например, радиостанции, которые выкладывают в онлайн аудиозаписи своих передач, но содержащаяся в этих записях информация остается надежно <закупоренной> внутри файлов и недоступной для пауков. От этого страдают и сами пользователи, чей интерес к мультимедийной информации не получает достойного удовлетворения.

Тем временем интерес пользователей к мультимедийному контенту постоянно возрастает по мере того как стремительно увеличивается количество широкополосных подключений к интернету. Мультимедийный контент становится все более востребованным, но пользователи не могут его найти, потому что поисковые сайты неспособны индексировать текст внутри мультимедийных файлов, хотя такие технологии существуют. Дошло до того, что уже сами производители мультимедийного контента начали подстраиваться под требования современных поисковых машин.

Если Google пока не может автоматически распознавать текст в аудиозаписях, то приходится делать это самостоятельно. Например, одна из крупнейших в Америке радиостанций NPR начала выкладывать на своем сайте текстовую расшифровку всех репортажей и выпусков новостей, которые выходят в эфир. Расшифровка производится в реальном режиме времени с помощью специального ПО для распознавания речи от компании StreamSage. Теперь сайт радиостанции, наконец, начал появляться среди результатов поиска Google и Yahoo!. А Google даже сделала NPR специальное предложение по включению аудиозаписей в некий <мультимедийный> раздел поиска, который еще даже официально не объявлен.

Софт StreamSage индексирует содержимое мультимедийных файлов, при этом он может выполнять несколько задач: определение языка, распознавание речи и выделение ключевых слов. Кстати, несколько дней назад компания открыла специальный сайт CampaignSearch.com для демонстрации своих передовых технологий. Данный сервис осуществляет поиск в интернете аудио- и видеофайлов на предвыборную тематику. Уникальная особенность - поиск внутри этих файлов, когда, например, в часовой речи Джона Керри можно найти четырехминутный фрагмент, посвященный здравоохранению.

По информации компании StreamSage, ее технологии успешно используются в Гарвардском университете, где студенты-медики могут искать нужные фрагменты в диктофонных записях, сделанных на лекциях. Уникальные технологии StreamSage созданы под руководством ведущего разработчика компании, хорошо известного по работам в области компьютерной лингвистики, Тима Сибли (Tim Sibley).

Впрочем, надежное распознавание речи в мультимедийных файлах пока в будущем. А сейчас крупнейшим в интернете сайтом по поиску аудио- и видеоконтента является более примитивный Singingfish, который не распознает речь, а использует тэги. Поисковый индекс Singingfish содержит описания более 9 млн потоковых мультимедийных файлов (валидность ссылок около 99%), и каждый день база данных увеличивается примерно на 80 тыс. Для включения файла в индекс требуется создать для него до 70 текстовых полей описания - это автор, бит-рейт, размер файла и т.д. Поскольку интерес пользователей к мультимедиа в интернете стремительно растет, то в данный момент Singingfish обрабатывает уже 6 млн запросов ежемесячно, хотя еще в январе 2004 г. количество запросов составляло 3 млн.

Полнотекстовый поиск по мультимедийным файлам - очень перспективная технология, над которой работают множество фирм. Например, технологию Speechbot разрабатывает НР. Над этими же проблемами работают компании Nexidia и Virage, которая сейчас является собственностью Autonomy, а также такие гиганты как Yahoo! и AOL. Например, Yahoo! Приобрела компанию AltaVista, которая в свое время одной из первых разработала механизм для поиска аудио- и видеофайлов в интернете. AOL также не осталась в стороне и недавно приобрела компанию Singingfish. Что ж, теперь слово за Google.