Az IBC 2026 amszterdami konferencián – amelyet szeptember 11. és 14. között rendeznek meg, és több mint 44 000 látogatót fogad 170+ országból – az NVIDIA bejelentette az NVIDIA AI for Media platform jelentős bővítését. A GPU-gyorsított szoftverfejlesztői készleteket (SDK), NIM mikroszolgáltatásokat, útmutatókat és tervrajzokat tömörítő platform célja, hogy valós idejű mesterséges intelligenciát vigyen a műsorszórás, a sport és a globális streaming munkamenetekbe – anélkül, hogy megzavarná a bevált broadcast-környezeteket.
NVIDIA AI for Media: mi újult meg?
A platform kibővített eszközkészlete számos kritikus területet fed le, a videó hitelességének ellenőrzésétől a tartalomhonosításon át a mozgáselemzésig. A médiavállalatok egyre inkább integrálják az AI-t az élő produkciós, sportközvetítési, híradós és streaming folyamatokba, hogy gazdagabb teljesítménymutatókat nyerjenek ki, ellenőrizzék a videók valódiságát, és lokalizálják a tartalmakat.
Szintetikus videó detektálás – 99,3%-os pontossággal
Az NVIDIA Synthetic Video Detector (SVD) NIM mikroszolgáltatás – amelyet még az idei SIGGRAPH rendezvényen jelentett be az NVIDIA – segít meghatározni annak valószínűségét, hogy egy felvétel eredeti vagy mesterséges intelligencia által generált. A legújabb adatok szerint az SVD pontossága elérte a 99,3%-ot szöveg-videó tartalmak esetén, és 97,7%-ot kép-videó tartalmak esetén – utóbbinál különösen nagy előrelépést jelent a nehezebb eseteknél elért javulás.
- A Dalet az SVD-t egy biztonságos, felhőalapú ellenőrzési munkafolyamatba integrálja hírszerkesztőségek számára, ahol a szerkesztők saját felületen tekinthetik meg az SVD-pontszámokat és metaadatokat.
- A TwelveLabs általánosan elérhetővé tette Compliance by TwelveLabs megoldását, amely keretszintű hitelességi jelzéseket és megbízhatósági pontszámokat ad a megfelelési munkafolyamathoz.
- A Wowza – amelynek Wowza Streaming Engine technológiája több mint 35 000 videóbevezetést hajt 170+ országban – az SVD-t a Wowza Video Intelligence Framework keretein belül terjeszti majd. A megoldás telepíthető helyszínen, a peremhálózaton, a felhőben, hibrid vagy teljesen izolált környezetben egyaránt.
3D testpóz-becslés és mozgáselemzés sporthoz
Az NVIDIA 3D Body Pose technológia egyetlen kamera által rögzített videóból becsüli meg a 2D és 3D emberi ízületi pozíciókat és szögeket, markeralapú rögzítési rendszerek nélkül. Sport szervezeteknél ez az adat felhasználható játékos-mozgáskövetésre, biomechanikai és teljesítményelemzésre, visszajátszás-javításra, bírói döntéstámogatásra és játékosbiztonság felügyeletére. A Vizrt a Body Pose technológiát élő virtuális stúdió környezetekben alkalmazza: a követett testmozgás valós idejű 3D-s fényhatásokat – tükröződéseket, árnyékokat és környezeti renderelést – vezérel.
Képminőség és sebességnövelés: VFG, VSR és TrueHDR
Az NVIDIA három egymással kombinálható technológiát mutatott be, amelyek a videó vizuális minőségét és folyékonyságát hivatottak javítani élő adásban és archiváltnál egyaránt.
Video Frame Generation – 6x-os lassított felvétel sportközvetítésben
A Video Frame Generation (VFG) generatív AI segítségével új képkockákat hoz létre a meglévő képkockák közé, így 2x vagy 4x sebességgel növelheti a képkockaráta, miközben megőrzi a vizuális minőséget és az időbeli konzisztenciát. A Ross Video a VFG-t Rio Replay platformjába integrálja sportközvetítési lassítások készítéséhez: jelenleg 6x-os lassítás megvalósításán dolgoznak, a fejlesztés iránya a 8x-os interpoláció. Ez lehetővé teszi, hogy a visszajátszási csapatok gördülékenyebb mozgást kapjanak anélkül, hogy rendkívül magas képkockarátájú forrás kamerát kellene alkalmazni.
Video Super Resolution és TrueHDR
Az NVIDIA Video Super Resolution (VSR) AI segítségével upscale-eli a videóanyagot, miközben csökkenti a zajt, az elmosódást és a tömörítési hibákat. Új streamelési módjai lehetővé teszik a fejlesztők számára, hogy válasszanak a valós idejű teljesítmény és a magasabb képminőség között. Az VSR mostantól támogatja a 10 bites videóformátumot is, és az NVIDIA Video Effects SDK-n, valamint egy NIM mikroszolgáltatáson keresztül érhető el.
Az NVIDIA TrueHDR standard dinamikatartományú (SDR) videót alakít át valós idejű HDR kimenetre, amely körülbelül 2000 nit csúcsfényességet ér el, miközben megőrzi a helyi kontrasztot és a tartalom fényességéhez igazítja magát. A VSR, VFG és TrueHDR egyetlen videopipeline-ban kombinálható, lehetővé téve a meglévő tartalomkönyvtárak javítását streamelési, átkódolási és alkotói munkafolyamatoknál.
Honosítás, hangjavítás és a Holoscan for Media
A tartalom globális terjesztése szempontjából kiemelkedő az NVIDIA LipSync és az Active Speaker Detection NIM mikroszolgáltatás. A LipSync az input videóban lévő szájmozgást alakítja át, hogy illeszkedjen egy célhangnyomhoz, miközben megőrzi a természetes fejpozíciót, pislogást és testmozgást. Az új verzió javítja az arceltakarás kezelését, és jobban őrzi meg a fogak, ajkak és arcbőr textúráját.
Az NDI az NVIDIA AI for Media eszközeit – köztük a LipSync NIM mikroszolgáltatást – valós idejű fordítás, szinkronizált szinkronhang és regionális nyelvi adaptáció megvalósítására használja meglévő broadcast munkafolyamatokban. Az egyetlen médiafolyamból több nyelvű tapasztalatot generáló megközelítés csökkentheti a többnyelvű terjesztéshez hagyományosan szükséges sávszélességet, infrastruktúrát és produkciós komplexitást.
A Studio Voice új Mikrofonprofilokat kap az NVIDIA Studio Voice NIM mikroszolgáltatásokra építve, amelyek lehetővé teszik a háttérzaj elnyomását, a terem reverbjének csökkentését és a hangszín alakítását élő kommunikáció, streaming, podcastolás és tartalomkészítés esetén.
Az NVIDIA Holoscan for Media platform – amely egy nyílt referencia-architektúra és fejlesztői eszközrendszer AI-alapú médiafrankciók és alkalmazások építéséhez – a Media Exchange Layer (MXL) integrációjával egy közös cserétes réteget biztosít a szoftveralapú médiaoperációk számára. Ez lehetővé teszi, hogy a gyorsított infrastruktúrán futó AI-feldolgozás, videóalkalmazások és hagyományos médiarendszerek együttesen, dinamikusan összekapcsolva működhessenek, csökkentve az egyedi integrációs igényeket a médiavállalatoknál.
Aki mélyebben érdeklődik az NVIDIA AI-ökoszisztémájának más szegmensei iránt, annak érdemes elolvasni az NVIDIA lokális AI, PAIR, RTX Spark és gyorsabb inferencia témájú összefoglalónkat, illetve az NVIDIA és CrowdStrike agentic kiberbiztonság témájú anyagunkat is. Az SVD-hez hasonló, GPU-alapú biztonsági megoldások kontextusát jól árnyalja a GPUThor Rowhammer-támadás, amely feltörte az NVIDIA ECC-t – megmutatva, milyen összetett biztonsági kihívásokkal néz szembe a GPU-ökoszisztéma. A képminőség-javítási irányokról pedig az NVIDIA DLSS 5 Neural Rendering teszt ad részletes képet.
Gyakori kérdések
Mire képes az NVIDIA Synthetic Video Detector (SVD)?
Az SVD NIM mikroszolgáltatás meghatározza annak valószínűségét, hogy egy videófelvétel valódi vagy AI által generált. Jelenlegi pontossága szöveg-videó tartalmak esetén 99,3%, kép-videó tartalmak esetén 97,7%, és keretszintű hitelességi jelzéseket is ad a szerkesztői és megfelelési csapatoknak.
Mit jelent a Video Frame Generation 8x-os interpolációja sportközvetítésben?
A VFG generatív AI-jal hoz létre új képkockákat a meglévők közé, így lassított visszajátszásoknál rendkívül folyékony mozgás érhető el anélkül, hogy a felvételhez rendkívül magas képkockarátájú kamerát kellene alkalmazni. A Ross Video jelenlegi fejlesztése 6x-os lassítást tesz lehetővé, a következő cél a 8x-os interpoláció.
Hogyan segíti a LipSync NIM mikroszolgáltatás a globális tartalomterjesztést?
A LipSync az input videó szájmozgását egy célhangnyomhoz igazítja, miközben a természetes arcmozgást – pislogást, fejpózokat – megőrzi. Az NDI erre a technológiára építve valós idejű többnyelvű szinkronizált szinkronhangot kínál meglévő broadcast folyamatokban, csökkentve a hagyományos multilinguális terjesztés infrastrukturális igényeit.
Mi az NVIDIA Holoscan for Media és az MXL szerepe?
A Holoscan for Media egy nyílt referencia-architektúra és fejlesztői eszközkészlet, amelyre szoftveralapú élő médiaprodukcióhoz készíthetők AI-alapú alkalmazások. A Media Exchange Layer (MXL) integrációja egy közös, nyílt cserés réteget ad hozzá, amelyen a különböző médiaapplikációk élő videót, hangot és adatot cserélhetnek egy elosztott környezetben.
Forrás: NVIDIA Blog
