Un acervo audiovisual es difícil de describir por una razón simple: hay que verlo o escucharlo para saber qué contiene. Una hoja de un expediente se lee de un vistazo; un noticiario de media hora o una grabación de una sesión no dicen su contenido hasta que alguien los reproduce entero. Un archivo de noticiarios, una fonoteca de entrevistas, una colección de videograbaciones de eventos —cada uno guarda dentro nombres, fechas y temas que están repartidos a lo largo de minutos de imagen y sonido, no en una portada.
Por eso estos fondos se catalogan despacio, y muchas veces se quedan sin catalogar. Reproducir cada archivo completo para describirlo no cabe en el tiempo del equipo, y mientras tanto el material se acumula, a menudo ya digitalizado pero sin un registro que permita encontrarlo. Ese es el caso que atiende Janium Collect cuando el acervo es audiovisual.
De qué parte la descripción
Collect no “mira” el video ni “oye” el audio como lo haría una persona. Trabaja con dos derivados del archivo que sí puede leer un modelo de lenguaje.
El primero es la transcripción: la voz del audio —sea una grabación sonora o la pista de un video— se convierte en texto con reconocimiento automático del habla, y ese texto se vuelve el contenido sobre el que se extraen los metadatos. El segundo, en el caso del video, son los fotogramas por escena: en lugar de un cuadro cada tantos segundos, el sistema detecta cuándo cambia la imagen de manera significativa y toma un fotograma representativo de cada tramo. Así el modelo ve una secuencia de imágenes que resume lo que pasa en pantalla, apoyada en lo que se dice.
El mecanismo de cada modalidad ya está descrito en detalle en dos posts previos —cómo funciona la transcripción y la elección entre transcribir en local o en la nube en «De una grabación sonora a un registro de catálogo», y cómo se muestrean los fotogramas y se combinan las dos vías en «De un video a registros enlazados»—. Aquí interesa el caso de uso: qué obtiene un archivo audiovisual de aplicar ambos.
Un registro del conjunto, y uno por cada parte
El punto que distingue a un acervo audiovisual de otros es que el contenido casi nunca es una sola cosa. Un noticiario tiene varias notas. Una sesión grabada tiene varios puntos del orden del día. Una entrevista tiene turnos. Describir todo eso en una sola ficha entrega un registro real pero pobre: quien busca una nota específica, una intervención o un tema de esa media hora no la encuentra, porque quedó subsumida en un resumen general.
Collect aborda esto con dos niveles de registro. Por defecto, cada archivo produce
una ficha: el resumen global del contenido, que para mucho material basta.
Cuando el fondo lo amerita, se activa por institución la segmentación: además
del registro global, el sistema divide el material —en intervenciones para el
audio, en escenas para el video— y cataloga cada segmento como un registro hijo
enlazado al padre. El enlace es explícito y bidireccional: cada hijo referencia
al padre con el campo que corresponde al formato (dcterms:isPartOf en Dublin
Core, el 773 en MARC), y el padre referencia a sus hijos sin embeberlos. Cada
segmento queda como un registro consultable por sí mismo, y a la vez se sabe de
qué grabación forma parte.
Aquí interviene una regla que Collect aplica en todo el proceso: no rellenar un campo con lo que no puede sostener. Un fragmento a mitad de una grabación rara vez trae su propio título, así que el modelo deja vacíos esos campos. En la vía de audio, donde la segmentación ya dedujo un tema y un resumen de cada intervención, esos huecos se rellenan de forma determinista, y el registro del conjunto puede describirse agregando lo de sus partes: su materia es la unión de los temas, su descripción la suma de los resúmenes. En la vía de video, el hijo de cada escena se cataloga a partir de sus fotogramas, sin esa pasada de relleno. En ambos casos es descripción derivada de lo que ya se extrajo, no una segunda ronda de suposición.
En el formato que ya usa la institución
Nada de esto cambia la norma de descripción del acervo. La salida sale en el formato que la institución usa: Dublin Core para una descripción simple, ISAD-G para un archivo donde importan la procedencia y la jerarquía, MARC21 para un catálogo de biblioteca. El registro hijo sale en el mismo formato que el padre, no en uno aparte.
Parte del registro, además, no depende del contenido en absoluto. Los datos técnicos del archivo —duración, códec, resolución— se leen directamente del contenedor, sin pasar por el modelo, porque son hechos medibles; en MARC alimentan los campos fijos de material audiovisual de forma determinista. El tipo de recurso —que se trata de un registro sonoro o de una imagen en movimiento— también se fija así, no lo decide el modelo. Eso deja al modelo solo la parte que exige leer el contenido, que es donde aporta.
Límites
La transcripción automática tiene error, y ese error crece cuando el audio es malo: ruido de fondo, voces solapadas, un micrófono lejano producen texto con fallos que se arrastran a la extracción. La descripción de lo visual se hace a partir de algunos fotogramas, no del video completo: capturan el asunto de cada escena, no sus matices, y una toma breve o un gesto pueden no quedar reflejados. La segmentación por escena es heurística —se basa en cuándo cambia la imagen, que se aproxima a los cortes temáticos pero no coincide siempre con ellos—, así que sirve como punto de partida para navegar el material, no como una segmentación editorial definitiva.
Cuando un audio casi no tiene habla —música, ambiente— el sistema no fuerza una descripción a partir de una transcripción pobre: se apoya en los metadatos del archivo y marca el caso, para no fabricar contenido que no está. Y como en el resto de Collect, lo que sale son registros propuestos que alguien revisa. La transcripción y la descripción por fotogramas asisten el trabajo; no sustituyen el visionado experto de material patrimonial. Un fondo audiovisual histórico pide el criterio de quien sabe qué está viendo y oyendo —una atribución, una fecha de la grabación, la identificación de una persona o un lugar en cuadro— y esa última palabra sigue siendo humana. Lo que cambia es el punto de partida: la revisión empieza desde un borrador estructurado y enlazado, no desde cero, y sobre todo desde un material que ya está descrito lo bastante para encontrarlo.
Para continuar la conversación
Si tu institución tiene un archivo de noticiarios, una fonoteca o un acervo de video de eventos esperando descripción, y el cuello de botella es que hay que ver o escuchar cada pieza para catalogarla, esto es lo que este flujo intenta aliviar, sin quitarle a quien cataloga la decisión final. Escríbenos a info@janium.com; nos interesa saber cómo es tu material audiovisual, en qué formato lo describes y qué tan limpio es el audio, porque eso cambia lo que se puede esperar.