Um acervo audiovisual é difícil de descrever por uma razão simples: é preciso vê-lo ou ouvi-lo para saber o que contém. Uma folha de um processo se lê num relance; um noticiário de meia hora ou uma gravação de uma sessão não dizem o seu conteúdo até que alguém os reproduza por inteiro. Um arquivo de noticiários, uma fonoteca de entrevistas, uma coleção de videogravações de eventos —cada um guarda dentro nomes, datas e temas espalhados ao longo de minutos de imagem e som, não numa capa.
Por isso esses fundos são catalogados devagar, e muitas vezes ficam sem catalogar. Reproduzir cada arquivo completo para descrevê-lo não cabe no tempo da equipe, e enquanto isso o material se acumula, muitas vezes já digitalizado mas sem um registro que permita encontrá-lo. Esse é o caso que o Janium Collect atende quando o acervo é audiovisual.
De que parte a descrição
O Collect não “vê” o vídeo nem “ouve” o áudio como faria uma pessoa. Trabalha com dois derivados do arquivo que um modelo de linguagem consegue ler.
O primeiro é a transcrição: a voz do áudio —seja uma gravação sonora ou a trilha de um vídeo— é convertida em texto com reconhecimento automático de fala, e esse texto se torna o conteúdo a partir do qual se extraem os metadados. O segundo, no caso do vídeo, são os fotogramas por cena: em vez de um quadro a cada tantos segundos, o sistema detecta quando a imagem muda de forma significativa e toma um fotograma representativo de cada trecho. Assim o modelo vê uma sequência de imagens que resume o que acontece na tela, apoiada no que se diz.
O mecanismo de cada modalidade já está descrito em detalhe em dois posts anteriores —como funciona a transcrição e a escolha entre transcrever localmente ou na nuvem em «De uma gravação sonora a um registro de catálogo», e como se amostram os fotogramas e se combinam as duas vias em «De um vídeo a registros vinculados»—. Aqui interessa o caso de uso: o que um arquivo audiovisual ganha ao aplicar ambos.
Um registro do conjunto, e um por cada parte
O ponto que distingue um acervo audiovisual dos outros é que o conteúdo quase nunca é uma coisa só. Um noticiário tem várias matérias. Uma sessão gravada tem vários pontos da pauta. Uma entrevista tem turnos. Descrever tudo isso num único registro entrega um registro real mas pobre: quem procura uma matéria específica, uma intervenção ou um tema daquela meia hora não a encontra, porque ficou subsumida num resumo geral.
O Collect aborda isso com dois níveis de registro. Por padrão, cada arquivo produz
um registro: o resumo global do conteúdo, que para muito material basta. Quando
o fundo justifica, ativa-se por instituição a segmentação: além do registro
global, o sistema divide o material —em intervenções para o áudio, em cenas para o
vídeo— e cataloga cada segmento como um registro filho vinculado ao pai. O
vínculo é explícito e bidirecional: cada filho referencia o pai com o campo que
corresponde ao formato (dcterms:isPartOf em Dublin Core, o 773 em MARC), e o pai
referencia os seus filhos sem embuti-los. Cada segmento fica como um registro
consultável por si mesmo e, ao mesmo tempo, sabe-se de qual gravação faz parte.
Aqui entra em jogo uma regra que o Collect aplica em todo o processo: não preencher um campo com o que não pode sustentar. Um fragmento no meio de uma gravação raramente traz o seu próprio título, então o modelo deixa esses campos vazios. Na via de áudio, onde a segmentação já deduziu um tema e um resumo de cada intervenção, esses vazios se preenchem de forma determinística, e o registro do conjunto pode ser descrito agregando o das suas partes: o seu assunto é a união dos temas, a sua descrição a soma dos resumos. Na via de vídeo, o filho de cada cena é catalogado a partir dos seus fotogramas, sem essa passada de preenchimento. Em ambos os casos é descrição derivada do que já se extraiu, não uma segunda rodada de suposição.
No formato que a instituição já usa
Nada disso muda a norma de descrição do acervo. A saída sai no formato que a instituição usa: Dublin Core para uma descrição simples, ISAD-G para um arquivo onde importam a proveniência e a hierarquia, MARC21 para um catálogo de biblioteca. O registro filho sai no mesmo formato que o pai, não em um à parte.
Parte do registro, além disso, não depende do conteúdo em absoluto. Os dados técnicos do arquivo —duração, codec, resolução— são lidos diretamente do contêiner, sem passar pelo modelo, porque são fatos mensuráveis; em MARC alimentam os campos fixos de material audiovisual de forma determinística. O tipo de recurso —que se trata de um registro sonoro ou de uma imagem em movimento— também se fixa assim, não é o modelo que decide. Isso deixa ao modelo apenas a parte que exige ler o conteúdo, que é onde ele contribui.
Limites
A transcrição automática tem erro, e esse erro cresce quando o áudio é ruim: ruído de fundo, vozes sobrepostas, um microfone distante produzem texto com falhas que se arrastam para a extração. A descrição do visual é feita a partir de alguns fotogramas, não do vídeo completo: capturam o assunto de cada cena, não as suas nuances, e uma tomada breve ou um gesto podem não ficar refletidos. A segmentação por cena é heurística —baseia-se em quando a imagem muda, o que se aproxima dos cortes temáticos mas nem sempre coincide com eles—, então serve como ponto de partida para navegar o material, não como uma segmentação editorial definitiva.
Quando um áudio quase não tem fala —música, ambiente— o sistema não força uma descrição a partir de uma transcrição pobre: apoia-se nos metadados do arquivo e assinala o caso, para não fabricar conteúdo que não está lá. E como no resto do Collect, o que sai são registros propostos que alguém revisa. A transcrição e a descrição por fotogramas assistem o trabalho; não substituem a visualização especializada de material patrimonial. Um fundo audiovisual histórico pede o critério de quem sabe o que está vendo e ouvindo —uma atribuição, uma data da gravação, a identificação de uma pessoa ou de um lugar em quadro— e essa última palavra continua sendo humana. O que muda é o ponto de partida: a revisão começa a partir de um rascunho estruturado e vinculado, não do zero, e sobretudo a partir de um material que já está descrito o bastante para encontrá-lo.
Para continuar a conversa
Se a sua instituição tem um arquivo de noticiários, uma fonoteca ou um acervo de vídeo de eventos esperando descrição, e o gargalo é ter de ver ou ouvir cada peça para catalogá-la, é isso que este fluxo procura aliviar, sem tirar de quem cataloga a decisão final. Escreva para info@janium.com; queremos saber como é o seu material audiovisual, em que formato você o descreve e quão limpo é o áudio, porque isso muda o que se pode esperar.