Inteligencia artificial aplicada a programas informativos de radio. Estudio de caso de segmentación automática de noticias en RNE

The results of a project on news segmentation at Radio Nacional de España (RNE) carried out by the RTVE Technological Innovation and Media Management areas is presented. The aim of this project is to apply artificial intelligence to automatically transcribe and cut the news items that make up a radio news program. The main goals of this project are to increase the accessibility of the content and to allow its reusability on various platforms and social media. The project was planned in two phases, covering system configuration and service delivery. The minimum quality criteria required were defined in advance, both for automatic voice transcription and for news segmentation. For the speech-to-text process, the highest word error rate (WER) allowed was 10%, while the precision rate for the news segmentation was 85%. System performance in both transcription and segmentation was considered to be sufficient, although a higher degree of accuracy in news cutting is expected in the coming months. The results show that, despite using these quite mature technologies, adjustment and learning processes and human intervention are still necessary. Resumen Se presentan los resultados del proyecto para la segmentación en noticias de los informativos de Radio Nacional de España (RNE) llevado a cabo por el Área de Innovación Tecnológica de Radio Televisión Española (RTVE) en colaboración con la Dirección de Medios de RNE. El objetivo de este proyecto es aplicar la inteligencia artificial para el cortado automático de las noticias que componen un informativo radiofónico, para su posterior difusión en la web de RTVE y en medios de comunicación social. El proyecto se planificó en dos fases: una primera de configuración y ajuste del sistema, y una segunda de prestación del servicio propiamente dicho. Los criterios de calidad mínimos exigibles se definieron previamente, tanto para la transcripción automática del habla a texto, para la que se estableció una tasa de error por palabra máxima (WER) del 10%, como para la segmentación de noticias, para la que se definió una tasa de precisión superior al 85%. El rendimiento del sistema tanto en la transcripción como en la segmentación se considera suficiente, si bien se espera alcanzar un mayor grado de precisión en el cortado de noticias en los próximos meses. Los resultados ponen de manifiesto que, a pesar de ser tecnologías bastante maduras, son necesarios procesos de ajuste y aprendizaje con la intervención humana.

The PIC-TDD Framework of Test Data Design for Pattern Recognition Systems

In this paper, a new approach is proposed for the design of test data for pattern recognition systems. In the theoretical framework put forward, performance on the population of data is viewed as expectation of a random variable, and the purpose of test is to estimate the parameter. While the most popular method of test data design is random sampling, a novel approach based on performance influencing classes is proposed, which can achieve unbiased estimation and the variance of estimation is much lower than that from random sample. The method is applied to the evaluation of systems for broadcasting news segmentation, and experimental results show the advantages over the random sampling approach.