Azure AI Fundamentals（AI-901） 無料問題 10 / 10 ・ 分野2: Microsoft Foundry を使用して AI ソリューションを実装する
30秒のテレビ広告の動画を分析し、画面の下の隅に小さな文字で数秒だけ出る注意書きの文言を、項目として取り出したい。Content Understanding の動画の解決策のページの制約に照らして、見込みとして合うものはどれか。
- 取れる。小さな文字が出るコマはキーフレームとして元の解像度のまま残され、読み取りに回されるため
- 取れないことがある。抜き出したコマは 512×512 ピクセルに縮められ、画面の隅の小さな文字は失われうるため
- 取れる。数秒出ていれば、約1秒に1枚のコマの抜き出しで何枚かに写り、そのコマは元の解像度で読まれるため
- 取れないことがある。映像の中の文字は読まれず、項目の材料は話し言葉の文字起こしに限られるため
正解と解説を見る
正解: B
正解の理由
動画の解決策のページの「Technical constraints and limitations」は、動画の処理の制約を3つ挙げる。コマの抜き出しはおよそ毎秒1枚で、速い動きや1コマだけの出来事は見落とされうる。抜き出したコマは 512×512 ピクセルに縮められ、小さな文字や遠くの物は失われうる。話し言葉だけが文字起こしされ、音楽や効果音や周りの音は無視される。画面の隅の小さな注意書きは、2つめの制約で失われうる。
違う選択肢
「取れる。数秒出ていれば、約1秒に1枚のコマの抜き出しで何枚かに写り、そのコマは元の解像度で読まれるため」… 約1秒に1枚という点は合うが、ページは抜き出したコマが 512 ピクセル四方に縮められ、小さな文字や遠くの物が失われうると書く。元の解像度で読まれるわけではない。
「取れないことがある。映像の中の文字は読まれず、項目の材料は話し言葉の文字起こしに限られるため」… 映像の中の文字も分析の材料になる。ベストプラクティスのページは、音声と動画の処理について、話し言葉の文字起こしとともに、OCR の文字と動画のキーフレームが分析器の出力で自動で得られると書く。取れないことがある理由は、文字が読まれないことではなく、コマが縮められることにある。
「取れる。小さな文字が出るコマはキーフレームとして元の解像度のまま残され、読み取りに回されるため」… キーフレームの抽出は、各ショットを十分に表せるだけのコマを取り出す処理で、元の解像度のまま残すという記述は無い。ページは、抜き出したコマが 512×512 ピクセルに縮められることを、制約として挙げている。
音のほうの制約
同じ広告で、流れる音楽の曲調や効果音を取り出そうとしても、文字起こしの対象は話し言葉だけで、音楽や効果音は無視される。動画の分析で何が材料になるか（間引いて縮めたコマと、話し言葉）を先に押さえておくと、取り出せる項目の見込みを立てやすい。