Vad är metadata och hur används taggning vid bevakning av ljud och video?
Metadata och taggning: det lager som gör ljud sökbart
Så beskriver strukturerad information varje klipp, och varför det avgör vad ni kan hitta och mäta.
Se vad era taggar faktiskt går att använda till
Läs hur ett ljudklipp blir sökbart, mätbart och möjligt att jämföra med konkurrenterna.
Data om data gör inspelningar hanterbara
Metadata är data om data, alltså uppgifter som beskriver ett objekt: när det skapades, av vem, hur stort det är och mer därtill. En ljudfil innehåller röster och musik. Metadatan säger vad det är.
Utan det lagret är en inspelning bara en lång ljudström. Ingen kan söka i den, filtrera den eller räkna hur ofta ett varumärke nämns. Taggning är arbetet att lägga till den beskrivande informationen, och den stannar i bakgrunden och förbättrar organisation och sökbarhet. Med tusentals timmar sändning går det inte att lyssna igenom allt manuellt.
Taggar som beskriver både källan och innehållet
Det finns två grupper av taggar. Den första beskriver källan: programtitel, sändningstid, kanal eller podd och avsnitt. Den andra beskriver innehållet: talare, nyckelord, nämnda företag och personer, ämneskategorier och sentiment.
För filer finns också tekniska standarder. MP3-filer stöder inbäddad taggning med ID3, som även kan användas i bland annat WAV, MP4, OGG och FLAC. Inom sändning är Dublin Core, publicerad som ISO-standard 15836, ett vanligt grundschema, och EBU har byggt vidare på det i EBUCore. Källtaggar följer ofta med filen. Innehållstaggar måste skapas av det som sägs.
Taggarnas kvalitet styr vad som går att hitta
Allt ni kan hämta ur ett arkiv bestäms av hur väl det är taggat. Missar systemet en talare, hamnar ett uttalande hos fel part. Blandas två organisationer ihop, blir share of voice fel. Saknas ämnestaggen försvinner klippet ur en ämnessökning.
Därför hänger rapporter, bevakningslarm och jämförelser på konsekventa och korrekta taggar. Det räcker inte att ha många. Samma sak måste märkas på samma sätt i hela arkivet, annars går siffrorna inte att jämföra över tid.
Från manuell katalogisering till automatisk märkning
Manuell katalogisering hänger inte med i hur mycket innehåll som produceras. AI-baserad taggning använder maskininlärning för att klassificera innehåll efter ämne, sentiment och annat. Grunden är automatisk taligenkänning (ASR), som ger fulltext att söka i, och talarpunktering som visar vem som talar när.
På den texten bygger entitetsigenkänning och sentimentanalys. Hur väl det fungerar beror på hur bra transkriptionen är. Därför är språkmodellens träning avgörande för nordiska namn och dialekter. Läs mer om tekniken bakom i vad NLP är och hur det används i mediebevakning.
Utan rätt taggar är tusentals timmar ljud bara brus, med dem blir varje omnämnande något ni kan söka, mäta och lyssna på.
Så blir en inspelning en taggad insikt
- 1
Fånga inspelningen och dess källdata
Flödet börjar med ljudet och det som redan är känt: kanal eller podd, avsnitt och sändningstid. Det är den grundläggande metadatan som gör att varje klipp kan placeras rätt i tid och sammanhang.
- 2
Transkribera talet till sökbar text
Taligenkänning omvandlar det som sägs till text, och talarpunktering visar när olika personer talar. Här avgörs mycket av kvaliteten. Tonars modeller är tränade på nordiska språk och dialekter, och ordfelsfrekvensen ligger på 3 procent. Läs mer om ljudtranskribering.
- 3
Känn igen entiteter och sammanhang
Modellen läser hela samtalet och kopplar namn, varumärken och förkortningar till rätt entitet, till exempel så att SCB och SEB inte blandas ihop. Ämnen kopplas till varumärken, som hållbarhet för Max eller kampanjer för McDonald's.
- 4
Tagga, sök och analysera
Nu får träffarna taggar för sentiment på entitetsnivå, ämne och egna etiketter från Auto-label. Därefter kan ni filtrera, mäta share of voice och leta med egna ord via sökning med naturligt språk, och lyssna på själva samtalet med ett klick.
Tre situationer där taggarna gör skillnaden
PR-team som följer omnämnanden av varumärket
Ett kommunikationsteam vill veta när och hur varumärket nämns i poddar och radio. Med entitetstaggar kopplas omnämnandet till rätt varumärke, även när namnet förkortas. Sentimenttaggen på entitetsnivå visar om tonen gäller just varumärket, och teamet kan lyssna på klippet direkt innan de agerar.
Byrå som jämför share of voice
En byrå ska visa hur kundens synlighet står sig mot konkurrenternas. Jämförelsen håller bara om alla varumärken taggas på samma sätt. Då kan byrån räkna omnämnanden per varumärke och koppla dem till ämnen. Konsekvent märkning gör siffrorna jämförbara över tid. Fler verktyg jämförs i bästa programmen för mediebevakning.
Medieföretag som bygger en dashboard via API
Ett medieföretag vill visa nordisk ljuddata i sin egen tjänst. Via Tonar API kan det välja full databas-firehose, REST API eller RSS-flöde. Med taggad data, till exempel ämne, talare eller sentiment, går det att bygga filter i dashboarden.
Vanliga frågor om metadata och taggning vid ljudbevakning
Bedöm om ert underlag håller för analysen
Fungerar era taggar som de ska? Se hur Tonar gör ljud sökbart med transkription, entitetsigenkänning och egna etiketter, så att ni kan bedöma underlaget i er egen analys.