AI-901 · Wyciąganie informacji z Content Understanding
Czym analizatory audio i wideo różnią się od analizatorów obrazów?
Najważniejsze
- Analizatory audio i wideo najpierw transkrybują mowę (WebVTT, z rozróżnieniem mówców przez diaryzację), a potem model generatywny wypełnia pola, np. streszczenie lub nastrój.
- Wideo dodatkowo wykrywa ujęcia i klatki kluczowe oraz potrafi podzielić plik na segmenty, każdy z własnym opisem i polami (enableSegment).
- Analizatory obrazów działają na pojedynczym zdjęciu i nie mają transkrypcji ani osi czasu.
Źródło: https://learn.microsoft.com/en-us/azure/ai-services/content-understanding/video/overview
Przykładowe pytania
W jakim formacie analizatory audio Content Understanding zwracają transkrypcje?
- WebVTT, rozdzielone według mówców
- Plik WAV z oczyszczonym dźwiękiem
- Jeden akapit bez oznaczeń
- Plik CSV z częstością słów
Pokaż odpowiedź
Odpowiedź: A. WebVTT, rozdzielone według mówców
Transkrypcje powstają w WebVTT, rozdzielone według mówców. Pozostałe formaty nie są tym, co opisuje usługa.
Jakie wyniki może dać analizator wideo, a analizator obrazów nie?
- Transkrypt wypowiedzi
- Klatki kluczowe i granice ujęć
- Opisy i pola dla poszczególnych segmentów osi czasu
- Schemat pól z nazwanymi polami
- Wynik w Markdown lub JSON
Pokaż odpowiedź
Odpowiedź: A. Transkrypt wypowiedzi, B. Klatki kluczowe i granice ujęć, C. Opisy i pola dla poszczególnych segmentów osi czasu
Analiza wideo daje transkrypt, klatki kluczowe i granice ujęć oraz opisy segmentów na osi czasu. Pojedynczy obraz nie ma żadnej z tych rzeczy.
Prawda czy fałsz: analizator wideo transkrybuje zarówno mowę, jak i muzykę oraz efekty dźwiękowe.
Pokaż odpowiedź
Odpowiedź: Fałsz
Fałsz. Transkrybowane są tylko wypowiedziane słowa; muzyka, efekty dźwiękowe i szum tła są pomijane.
Przećwicz 8 pytań z tego tematu w Bitzu
Krótkie lekcje, natychmiastowe wyjaśnienia i powtórki tego, w czym się mylisz. Za darmo na iOS i Androida.
