AI多媒体技术在内容审核场景实践探索_马金龙

马金龙趣丸科技（TT语音） 个人介绍 马金龙多年媒体算法开发经验，涉及音视频图像文本，负责过音频前后端处理，弱网优化，音视频质量提升，智能内容安全审核“T网”，内容理解“T悟”等大型项目。曾作为“灵声讯”创始人，参与智能媒体技术自媒体运营和推广。 1.内容审核目前现状与挑战 现状 •政府监管越来越严•用户内容层出不穷•违规种类繁杂•AIGC内容不可控 挑战 •【实时性】需要紧跟政府管控要求•【准确性】对花样变体不漏杀不误杀•【多样性】违规种类需不同算法解决•【未知性】AIGC生成内容不确定且存在知识“幻觉” 2. AI多媒体技术实践之路 自建OR第三方？ 2. AI多媒体技术实践之路 2. AI多媒体技术实践之路 T网是一个通过人工智能的算法打造一站式内容安全机器审核的平台，帮助公司审核团队实现语音，文本，图像，小视频等风险管控的能力。 2.1语音识别2.2NLP文本审核2.3多模态识别2.4音频事件检测2.5小语种识别2.6歌曲识别2.7声纹识别2.8违规图像识别 对于此项目的目的可总结如下： •贯彻国家网信办有关网络内容安全的各项规定•低成本高效率的加强内容风险管控•构建智能审核技术护城河，为公司内容生态保驾护航•探索内容审核新方法，践行公司的社会责任 2.1ASR-技术方案 技术目标 用户产生的语音数据输入ASR模型，模型输出该语音的文字内容，以供下一环节NLP检查是否包含违规词，或违规内容。 模型总体逻辑 使用深度学习模型Transformer/Conformer(如图中Shared Encoder)提取输入音频中的特征使用CTC解码得到若干候选文本。 2.1ASR架构 Efficient Conformer •Convolution neural networks和transformersmodels组合•EfficientConformer设计•结合量化剪枝和蒸馏技术，压缩模型大小•提供CPU和GPU，支持高吞吐量识别 2.1ASR-效果 2.2NLP算法总体框架 NLP算法模型： •Prompt算法•文本表情复杂表示的多模态识别算法•关键词挖掘算法•Bert算法•AIGC语料生成算法•Fasttext算法 2.2NLP内容审核的困难与挑战 我们的成功案例： 纯文本审核面临的问题与挑战： •构建文本表情字母多模态识别系统•异常关键词大数据监测系统•多层次语义分析系统•构建变体关键词挖掘系统•AIGC语料生成系统 •变体关键词的多样化•文字与表情包的结合的复杂表达•文字与字母或字母缩写结合的复杂表达•特定场景语料不足与稀疏性•特定关键词词的隐晦表达•正常词与关键词相同，但不同上下文上语义不同 2.2NLP内容审核-效果呈现 2.2文本未成年人识别 关键词匹配分析框架，支持多种匹配方式、多种过滤条件，并支持自定义特殊标记，及支持特定动作行为，将未成年人识别实现模组化的流程分析。未成年识别精确率99%+； 2.3多模态算法原理 项目背景 •单模态审核特征不全面，多模态结合语气和语义信息可提高处罚有效率。 •人工审核量级大，需要对不同类型的违规进行灵活处置。 建模算法 •Transformer跨模态多头注意力机制； •随机森林； 2.3多模态高准召回 模型指标 •多模态算法上线处罚有效率为99%+；•如右图，每日占总机审违规样本约17%； 模型价值 •提高对违规样本的召回，减少单模态的漏召；•提供高准标签运用在灵活处置：a.提高处罚响应速度；b.提升人工审核效率； 2.4声音事件检测（Sound Event Detection） 检测的声音事件： •审核类•娇喘，炸房，怒骂•普通标签BRaSS•背景音乐(BGM, B）•说唱(Rap, Ra)•说话(Speech, S)•唱歌(Sing, S) 模型价值 •完善对声音类违规的审核能力。•音频类型分流，降低后续模型成本。•语音直播趋势分析。 2.5语种识别 项目背景: 线上特定语种管控 方案流程： 利用音频预训练hubert模型的特征解析功能，结合TT语音线上直播数据和部分开源数据集进行模型fine-tune，从而针对特定语种等进行识别。 模型效果： 针对特定语种的测试精准率为97.58%。 2.6歌曲识别 项目背景： 线上歌曲(如劣迹艺人作品等)管控 方案流程： 将原始劣迹歌曲处理得到的指纹信息存储于歌曲指纹库，用于进行输入歌曲片段的相似度比对，并增添音频文件分析接口用于分析完整歌曲。 模型效果： 针对劣迹艺人歌曲的识别精准度为94.16%； 2.7声纹识别 项目背景： 人物声纹识别，针对特定的人物可以做具体管控 方案流程： •VAD进行语音活性检测，提取人声部分；•ResNet34作为主干网络，利用线上业务数据和部分开源数据进行微调训练；•利用余弦相似度计算两个声纹之间的相似性。 模型效果和应用： 1.特定人物声纹拦截精确率98%+； 2.8涉黄图像识别 模型效果和应用 项目背景 •在TT语音下，机审拦截内容识别准确率为93.15%；•应用于TT语音和AIGC图片场景； 线上色情、性感类涉黄图像识别 方案流程 •基于经典ResNet50预训练模型结构，利用线上业务数据和部分开源数据进行微调训练；•同时考虑到标注成本和线上标签数据形态，结合多任务图像识别算法更改模型结构进行学习，从而实现较为精准地识别涉黄图像； 3.智能内容审核平台案例-流程图 3.智能内容审核平台-微服务架构 T网架构处理能力 T网系统可靠性 •自研任务编排系统（AI中台一部分），统一算力管理和容灾•拆分算法服务，细粒度的算力伸缩和统一调度•支持多可用区部署 •最大并发语音流可线性扩展•Pod个数•微服务 3.智能内容审核平台-多任务调度方案 目的：实现可动态配置的媒体算法加工流水线，满足任意租户的不同审核需求 3.智能内容审核平台-Ｔ网管理后台 3.智能内容审核平台-BI报表 4.AIGC内容风控实践 4.AIGC内容风控实践-文生文拦截 针对文生文场景，利用关键词+语义理解审核技术，对输入和输出进行审核 4.AIGC内容风控实践-文生图审核 针对文生图场景，利用AI图像涉政&涉黄审核技术，降低风控风险 •对涉政内容进行拦截 •对涉黄类的裸露、行为、性感等进行拦截 不合规图片 •存在的问题：生成图不可控、不合理 5.未来展望 •利用LLM能力强化语义理解，提升审核准确率和数据收集速度 •用户对抗下的精细化算法模型，强化多模态复杂任务决策 •审核平台的langchain+LLM工作流介入，打通舆情监控到内审决策全链路 •AIGC内容用传统算法＋AIGC方法做审核 企业介绍 趣丸科技成立于2014年，是一家集兴趣社交及电子竞技等业务于一体的创新型科技企业，旗下有TT语音、麦可及TTChat等多款兴趣社交产品。核心产品TT语音是国内领先的兴趣社交平台，累计注册用户已超2亿，并成为LPL、KPL、PEL等五大头部电竞职业赛事官方合作伙伴。趣丸科技利用多年聚焦兴趣社交领域的深厚积累为核心优势，积极瞄准全球数字技术基础前沿领域和关键核心技术的研发和创新。 AI多媒体技术在内容审核场景实践探索 趣丸科技的技术创新探索分享平台与你一起用科技创造未来 （主讲微信二维码） （扫码关注获得本场演讲PPT）