基于AI技术的媒资内容管理平台

基于 AI 技术的媒资内容管理平台 语音识别需求书 2017 年 11 月 文档信息 产品名称 项目需求确认书 产品负责人 徐志亮 负责人联系方式 22005899 51472 文档修改记录 版本 修改时间 修改人 修改章节 修改说明 目 录 1 简介 4 2 产品需求 4 2 1 产品需求概述 4 2 1 1 视频预处理 5 2 1 2 语音识别文字输出 5 2 1 3 高识别率 6 2 1 4 支持多种音频格式 6 2 1 5 多语言识别 6 2 1 5 高识别效率 6 3 其他需求 6 3 1 服务器环境配置 6 3 2 测试需求 6 3 3 运维保障需求 7 项 目 需 求 报 告 1 简介 1 1 项目背景 随着计算机自动化技术的发展 语音识别 字幕识别 场景分割等技术已 经日趋成熟 智能语义分析 智能素材关联 人脸识别技术也在迅速发展 日 本 NHK 等发达国家已实际应用 SMG 的自动编目可从语音识别和字幕识别入手 以新闻 戏曲类节目为切人点 在节目素材入库媒资时将语音和字幕自动进行 文字化 减少编目人员工作量 之后 以自动场景分割技术为基础 结合智能 语义分析 逐步对节目和素材实现全自动的标引 提高整个媒资编目的自动化 率 降低媒资运营的人工成本 2 产品需求 2 1 产品需求概述 随着计算机自动化技术的发展 语音识别 字幕识别 场景分割等技术已 经日趋成熟 智能语义分析 智能素材关联 人脸识别技术也在迅速发展 日 本 NHK 等发达国家已实际应用 SMG 可从语音识别入手 在节目素材入库媒资 时将语音和字幕自动进行文字化 之后 以自动场景分割技术为基础 结合智 能语义分析 逐步对节目和素材实现全自动的标引 项 目 需 求 报 告 该项目的目标是通过语音识别 对视频进行文字内容和关键词的提取 提 取后的内容和关键词按照视频名称和视频时间信息进行存储 最终为用户提供 文字内容和关键词的检索服务 2 1 1 视频预处理 视频预处理主要实现对视频进行提取音频视频提取音频 从视频文件中提 取音频文件 音频格式为 mp3 或 wav 2 1 2 语音识别文字输出 自动识别音 视频 包括主流格式高 低码格式 中的语音 并将其识别 为文本内容 并页面中展示 语音识别文本应包含时间戳 即表示在该段时间内音频的识别结果 语音 识别的结果按照时间的顺序 入点时间 出点时间 在每个视频素材的详情页 进行展示 语音识别文字输出应当为完整句子形式 词等 另外应具有智能的功能 例如 电话号码 车牌 日期 时间以及量词的规整 如 五点三十 会识别 规整为 5 30 自动断句 并且在文本中加入标点如好 并且能够识别词属性 词属性包 括 普通词 语气犹豫词 如 嗯 啊 呃 或者无意义的重复词等 标 点符号 如 等 项 目 需 求 报 告 2 1 3 高识别率 在音频中为标准普通话的情况下 语音识别率需要达到 90 以上 若音频 中为较为不标准普通话 则语音识别率可以稍微降低识别率要求 2 1 4 支持多种音频格式 语音识别应支持多种视频格式 例如 wav flac opus m4a mp3 2 1 5 多语言识别 语音识别可能需要识别普通话 上海话 以及英语等 根据目前项目需求 至少需要能够识别普通话以及上海话 并且达到较好的识别效果 2 1 5 高识别效率 由于音频量大 所以需要高效率的语音识别软件 音频时长与识别时间的 比要大于 6 1 否则无法正常完成语音识别业务 3 其他需求 3 1 测试需求 兼容性测试 压力测试 流程测试 安全性测试 兼容性测试需求 PC 端兼容要求 浏览器 IE8 Chrome 火狐 屏幕分辨率 1024 768 1920 1080 系统 winXP win10