本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

视频

BDA 提供了一组标准输出，用于处理和生成视频见解。以下是每种操作类型的详细介绍：

完整视频摘要

完整视频摘要生成整个视频的总体摘要。它将整个视频中呈现的关键主题、事件和信息提炼成简洁的摘要。完整的视频摘要针对带有描述性对话的内容进行了优化，例如产品概述、培训、新闻广播、脱口秀和纪录片。BDA 将尝试根据完整视频摘要和场景摘要中的音频信号（例如，演讲者自我介绍）或视觉信号（例如，演示幻灯片显示演讲者的姓名）为每个唯一的演讲者命名。当无法解析唯一发言者的姓名时，他们将由一个唯一的数字（例如 seaker_0）表示。

章节摘要

视频章节摘要为视频中的各个场景提供了描述性摘要。视频章节是一系列镜头，在视频中形成连贯的动作或叙事单元。此功能根据视觉和听觉线索将视频分解为有意义的片段，为这些片段提供时间戳，并对每个片段进行汇总。

IAB 分类法

互动广告局 (IAB) 分类采用标准的广告分类法，根据视觉和音频元素对视频场景进行分类。对于预览版，BDA 将支持 24 个顶级 (L1) 类别和 85 个二级 (L2) 类别。要下载 BDA 支持的 IAB 类别列表，请单击此处。

完整音频记录

完整的音频转录功能提供了音频文件中所有语音的完整文本表示。它使用先进的语音识别技术来准确转录对话、旁白和其他音频元素。转录包括说话者识别，便于根据说话者浏览和搜索音频内容。

视频中的文字

此功能可检测和提取视频中直观显示的文本。它可以识别静态文本（如标题或字幕）和动态文本（例如在图形中移动文本）。与图像文本检测类似，它为每个检测到的文本元素提供边界框信息，从而可以在视频帧中进行精确定位。

徽标检测

此功能可识别视频中的徽标并提供边界框信息，指示视频帧中检测到的每个徽标的坐标以及置信度分数。默认情况下，此功能未启用。

内容审核

内容审核可检测视频中的不当、不想要或令人反感的内容。BDA 支持 7 个审核类别：露骨的、私密部位的非露骨裸露和接吻、泳装或内衣、暴力、毒品和烟草、酒精、仇恨符号。视频中的露骨文字不会被标记。

可以为文本检测等相关功能启用或禁用边界框和相关的置信度分数，以便在视频文件中提供位置坐标和时间戳。默认情况下，启用完整视频摘要、场景摘要和视频文本检测。

视频标准输出

以下是通过 BDA 处理的视频的标准输出示例：

{
"metadata": {
    "asset_id": "0",
    "semantic_modality": "VIDEO",
    "s3_bucket": "bedrock-data-automation-gamma-assets-us-east-1",
    "s3_key": "demo-assets/Video/MakingTheCut.mp4",
    "format": "QuickTime / MOV",
    "frame_rate": 30,
    "codec": "h264",
    "duration_millis": 378233,
    "frame_width": 852,
    "frame_height": 480
  },

第一部分讨论有关视频的元数据信息。这包括存储桶的位置、格式、帧速率和其他关键信息。

"shots": [ ...

    {
      "shot_index": 3,
      "start_timecode_smpte": "00:00:08:19",
      "end_timecode_smpte": "00:00:09:25",
      "start_timestamp_millis": 8633,
      "end_timestamp_millis": 9833,
      "start_frame_index": 259,
      "end_frame_index": 295,
      "duration_smpte": "00:00:01:06",
      "duration_millis": 1200,
      "duration_frames": 36,
      "confidence": 0.9956437242589935,
      "chapter_indices": [
        1
      ]
    },

这是响应中镜头元素的示例。镜头代表视频的一小部分，通常与视频中的剪辑或剪辑有关。镜头包含开始和结束元素，还包括一个章节索引元素。此元素表示镜头属于视频中哪个较大的部分（称为章节）。

"chapters": [
    {
      "start_timecode_smpte": "00:00:00:00",
      "end_timecode_smpte": "00:00:08:18",
      "start_timestamp_millis": 0,
      "end_timestamp_millis": 8600,
      "start_frame_index": 0,
      "end_frame_index": 258,
      "duration_millis": 8600,
      "shot_indices": [
        0,
        1,
        2
      ],
      "summary": "At an elegant outdoor venue, a man in a suit and a woman in a patterned dress stand on a raised platform overlooking a reflective pool. The setting is adorned with palm trees and lush greenery, creating a tropical atmosphere. The man initiates the event by asking if they should begin, to which the woman responds affirmatively. As the scene progresses, the focus shifts to a woman wearing a distinctive black and white patterned coat, her hair styled in a bun. She stands alone in a dimly lit room, facing away from the camera. The narrative then moves to a formal setting where a man in a dark suit stands before a curtain backdrop, suggesting he may be about to address an audience or perform. The scene concludes with a view of the entire venue, showcasing its tropical charm with a swimming pool surrounded by palm trees and decorative lighting, indicating it's prepared for a special occasion.",

章节是视频中较大的片段。然后包含开始和结束信息，例如镜头，以及 shot_indicies 元素。shot_indicies 会告诉你章节中有哪些镜头。最后，摘要元素提供了本章内容的生成的摘要。

 "frames": [...
         {
          "timecode_smpte": "00:00:03:15",
          "timestamp_millis": 3500,
          "frame_index": 105,
          "content_moderation": [],
          "text_words": [
            {
              "id": "266db64a-a7dc-463c-b710-7a178a2cc4cc",
              "type": "TEXT_WORD",
              "confidence": 0.99844897,
              "text": "ANDREA",
              "locations": [
                {
                  "bounding_box": {
                    "left": 0.1056338,
                    "top": 0.7363281,
                    "width": 0.19806337,
                    "height": 0.068359375
                  },
                  "polygon": [
                    {
                      "x": 0.1056338,
                      "y": 0.7363281
                    },
                    {
                      "x": 0.30369717,
                      "y": 0.7363281
                    },
                    {
                      "x": 0.30369717,
                      "y": 0.8046875
                    },
                    {
                      "x": 0.1056338,
                      "y": 0.8046875
                    }
                  ]
                }
              ],
              "line_id": "57b760fc-c410-418e-aee3-7c7ba58a71c2"
            },      

视频的最小粒度是帧，表示视频中的单个图像。框架有两个特别明显的响应元素，内容审核和文本_words。首先，content_moderation 根据内容审核类别为您提供有关帧内容的信息（如果检测到任何内容）。第二个是 text_words，它为你提供了视频中出现的任何文本的位置和信息，例如隐藏字幕。

    "statistics": {
    "shot_count": 148,
    "chapter_count": 11,
    "speaker_count": 11
  }
}

最后，统计数据提供了有关检测信息的细分，例如给定视频中有多少镜头、扬声器和章节。