公告：YouTube写评论 --油管涨粉丝网站
（原副标题：Youtube手动片头控制系统已能辨识环境音，但亚洲地区还在倚靠片头组）
责任编辑译者：作梦
在亚洲地区，浏览好影片后，再去片头英文网站搜寻外挂片头，早已是影迷们的所谓姿势。这种生活习惯的教养，归因于近10年来逐渐形成的动植物互联网片头组，用课余时间为影迷们重大贡献了大量、加速的完全免费片头。
较之亚洲地区的动植物片头组，Google的控制技术宅们在2009年为Youtube上架了一个手动片头控制系统（Automatic Captioning System），借助于人工智慧控制技术，在音视频里动态聚合片头。阔别7年后，YouTube宣布早已有10亿数条音视频采用了该控制系统聚合的片头，而全球日活耀使用者也达1500万。
在Google取值的音视频中，可以在增设中选择迈入手动片头，之后音视频上方会随着音视频中的rap，逐一显示相关联片头。另外，在片头迈入工具栏中，也有手动译者的快捷键，包括英文简体英文、简体英文字其中的上数百种词汇均可译者。
此外，学雷锋网(社会公众号：学雷锋网)3月23日还报导过，由Accessibility、Sound Understanding和YouTube三个项目组合写了，透过广度数学模型（DNN）数学模型，在手动片头增加声效重要信息的控制技术，进一步提高了观众们的Laroque新体验。
而Youtube的手动片头控制系统，在很大程度上实现了音视频观赏的无线互联网，尤其是听不到rap的手语，也能透过手动聚合的片头进行高效率的音视频重要信息以获取。
Google Sound Understanding项目组，在此之前曾负责管理AudioSet统计数据集，致力课堂教学电脑,透过建立状况电脑学习数学模型，聚合小规模的音视频该事件统计数据集，并表述rap之间存在的层次关系，来准确地感知音视频。
目前，亚洲地区主流音视频英文网站均未推出过手动片头控制系统，不过在坊间流传着一个能够手动聚合片头的软件——Autosub，最初该软件只帮助片头组成员手动对轴，后来的更新版本调用了Google的API，支持手动聚合片头，不过效果不佳，此后鲜有更新。
学雷锋网还了解到，2011年《电子学报》的一篇论文称，以《新闻联播》为语料进行训练，实现了音视频提取、音视频分类与切分、说话人辨识、大词汇量连续语音辨识、音视频文件播放、文本片头手动聚合等功能，从而实现全手动英文新闻片头聚合。但此论文中并未提及是否可以做到动态。
这项控制技术的难点在于，一方面一条音视频中的rap有很多，包括对白和混合在一起非常复杂的环境声，要辨别哪个rap是我们想要的，并把几个同时产生的rap区分开来相当不易；另一方面音视频动态片头聚合，需要在极短的时间内做出反馈，对于计算速度考验巨大。
针对分辨rap而言，搜狗CEO王小川就表示过，目前语音辨识早已有了较高的准确度，接近实用，但还有很多的限制。比如需要安静的环境，当有噪音的时候同时有两个人说话电脑就搞不定了。搜狗的做法是预先录制，比如在汽车环境里面，预先录制发动机引擎的rap，把没有见过的环境变成电脑能够见过的环境，就能够做辨识。针对计算速度而言，则需要倚靠硬件和算法的进步。
现在能实现的程度，需要归因于过去几年间，DNN控制技术、Residual/Highway 互联网控制技术和粗粒度建模单元控制技术的进展。但环境音非常复杂，想要把所有的独立rap预先录下来，是一项巨大的工程。即便是Google手动片头控制系统的研究人员们，也只是选取了鼓掌、音乐、笑声三种语义清楚的背景声。
音视频之外，在语音转文字这项控制技术上，亚洲地区外企业多有涉及。比如微软帮助手语通话动态将语音转换为文字的RogerVoice，比如百度新近推出的SwiftScribe、再如亚洲地区企业科大讯飞等，还有各类录音、速记应用程序，都能够不同程度的支持语音转文字的控制技术。一般来说环境越安静，辨识的准确率越高。
科大讯飞相关人士向学雷锋网表示，音视频片头需求分为两类，一类为已录制音视频的片头配置，另一类为直播音视频的片头配置，科大讯飞的辨识控制技术均可实现上述两类片头需求。
目前讯飞开放平台已对外提供第一种已录制音视频片头配置需求的"语音转写"产品，准确率可达95%，而对于第二种直播音视频的片头配置产品将在今年年中对外提供。
