Uso de Machine Learning y procesamiento de señales para detección de comerciales en la radio

Abstract

El problema de clasificación de audio presenta distintos entornos de aplicación. Desde predicción de instrumento musical, identificación de especie de animal en base al sonido emitido, y otros. Aún con la variedad de problemas de clasificación de audio, la bibliografía respecto la detección de comerciales es escasa. Muchos enfoques se proponen de todas formas para el problema general. Los más modernos implican la extracción de espectrogramas de las muestras y clasificación con modelos de redes neuronales. Esta memoria se centra en la detección de comerciales en un subconjunto de radio emisoras de Chile. Se entenderá por comercial aquellas grabaciones de publicidad creadas por las distintas compañías, no aquellas menciones de los locutores a los auspiciadores. Las radios corresponden a: Bíobio, Pudahuel, Cooperativa, Corazón, El Pinguino, Fiesta, Imagina, Luna Tropical y Valparaíso. La elección es debido a la disponibilidad de grabaciones de las radios recién mencionadas. En el presente trabajo se crea un dataset compuesto por más de 1200 minutos de audio correspondientes a grabaciones de correspondientes a las emisoras ya mencionadas. Este dataset generado se utilizó para entrenar distintos modelos de clasificación, agrupados en tres enfoques distintos. Los modelos y enfoques implementados son los siguientes: a) espectrogramas (generar imágenes a partir de segmentos de audio) para generación de características y redes neurona- les convolucionales como modelo de clasificación, b) extraer coeficientes de MEL utilizando análisis de ventana de distintos tamaño para implementar modelos más simples con sk-learn para clasificar y, c) redes neuronales recurrentes (mediante la librería de procesamiento de audio Resemblyzer) para la extracción de características y los modelos simples de sk-learn como clasificador. El modelo que se elige para ser utilizado en ambientes de producción corresponde a utilizar Resemblyzer para extracción de características y modelos de clasificación de sk-learn. Los resultados obtenidos en producción con audios de la radio Bíobio son de un 90 % de accuracy sobre un conjunto de 3 hrs y 20 minutos de duración. Finalmente, se detalla sobre la estructura e infraestructura AWS utilizada para el paso a producción de los modelos desarrollados.