JP2021093627A - 編集システム - Google Patents

Abstract

【課題】放送映像の再送出の画質劣化を抑える編集システムを提供する。【解決手段】編集システムＸは、放送時の送出映像を同時録画した放送同録映像等の放送映像データ２００に含まれる放送映像を再送出する。不要領域特定手段１００は、放送映像データ２００に含まれる放送映像の特定箇所に連続して表示される不要領域を特定する。不要領域加工手段１１０は、特定された不要領域を放送映像データ２００から削除又は目立たなくする加工を行った加工映像データ２１０を作成する。元映像特定手段１２０は、加工された加工映像データ２１０及び／又は放送映像データ２００から、格納された元映像データ２２０を特定する。高画質化手段１３０は、特定された元映像データ２２０を基に、加工映像データ２１０を高画質化する。【選択図】図１

Description

本発明は、主に放送局等で使用される放送映像に編集を行って再送出可能な編集システムに関する。

近年、放送局等において、映像データを編集用の素材として、素材用のビデオサーバー等に格納し、これをノンリニア編集し、放送用に送出するような編集システムが実用化されている。

従来の編集システムとして、例えば、特許文献１を参照すると、映像内の物体を特定するために、処理対象となる映像部分や音声部分をそれぞれ認識する処理対象認識部を備える技術が記載されている。

一方、従来の編集システムでは、放送時の送出映像を同時録画した放送同録映像（以下、単に「放送映像」という。）も格納している。このような放送映像を時差配信や再放送等により再送出する場合、放送時に付加された不要領域をマスクして、元映像に近い映像素材データ（加工映像データ）を生成する必要がある。この不要領域としては、例えば、「Ｌ字」、時刻表示、天気予報、緊急報道、津波警戒情報、災害情報等を示した画像や字幕等の付加表示が存在する（以下、これらの付加表示を「Ｌ字等」という。）。なお、「Ｌ字」とは、「Ｌ字型画面」等と呼称される、例えば、本来の番組放送画面を多少右下端に縮小し、余剰した画面の左側及び上側をＬ字型のスペースと見なして、災害等の情報を表示するような映像加工のことを指す。また、Ｌ字型画面以外にも、Ｕ字型、側面を全て取り囲んで縮小表示するような付加表示も、付加表示に含む。
この場合、手作業による編集で、Ｌ字等の不要領域のマスク加工やトリミング加工等を行う必要があった。

特開２０１９−６２３８１号公報

しかしながら、従来の編集システムにおいて、Ｌ字等の不要領域を手作業により編集すると、トリミングのミス、同録時のエンコードやマスク加工、トリミングによる部分拡大等により画質劣化が避けられなかった。

本発明は、このような状況に鑑みてなされたものであり、上述の問題を解消することを課題とする。

本発明の編集システムは、放送映像を再送出する編集システムであって、前記放送映像の特定箇所に連続して表示される不要領域を特定する不要領域特定手段と、前記不要領域特定手段により特定された不要領域を前記放送映像から削除又は目立たなくする加工を行った加工映像を作成する不要領域加工手段と、前記不要領域加工手段により加工された前記加工映像及び／又は前記放送映像から、格納された元映像を特定する元映像特定手段と、前記元映像特定手段により特定された前記元映像を基に、前記加工映像を高画質化する高画質化手段とを備えることを特徴とする。
本発明の編集システムは、前記不要領域特定手段は、削除する対象の領域の特徴を学習させたモデルにより前記不要領域を特定することを特徴とする。
本発明の編集システムは、前記高画質化手段は、前記加工映像について、前記元映像に基づくエッジ情報並びに／若しくは色情報を利用したエッジ強調若しくは合成、及び／又は、前記元映像の切り出しによる合成を行うことで高画質化することを特徴とする。
本発明の編集システムは、前記元映像特定手段は、前記加工映像と前記元映像との画像中の共通点を抽出し、抽出した前記共通点に基づいて前記元映像を特定することを特徴とする。
本発明の編集システムは、前記放送映像に対応した音声を解析して、削除箇所を特定する削除箇所特定手段と、前記元映像に対応する元音声を特定する元音声特定手段と、前記元音声特定手段により特定された前記元音声を基に、前記削除箇所特定手段により特定された前記音声の前記削除箇所を高音質化する高音質化処理手段とを更に備えることを特徴とする。
本発明の編集システムは、前記削除箇所特定手段は、特定のモデルを用いて音声解析を行い、前記音声中の警報音の箇所を特定することを特徴とする。

本発明によれば、放送映像の特定箇所に連続して表示される不要領域を特定し、削除又は目立たなくする加工を行った加工映像を作成し、この加工映像及び／又は放送映像から、元映像データを特定して、この元映像データを基に、加工映像を高画質化することで、再送出時の画質劣化を抑えることが可能な編集システムを提供することができる。

本発明の実施の形態に係る編集システムＸの概略構成を示すシステム構成図である。 本発明の実施の形態に係る再送出処理の流れを示すフローチャートである。 図２に示す再送出処理における高画質化処理を示す概念図である。 図２に示す再送出処理における高音質化処理を示す概念図である。 従来のビデオサーバーシステムによる再送出の概念図である。

＜実施の形態＞
〔編集システムＸの制御構成〕
以下で、本発明の実施の形態について、図面を参照して説明する。
編集システムＸは、放送局等で使用される編集システム（ビデオサーバーシステム）である。編集システムＸは、放送映像データ２００に含まれる放送映像を、時差配信や再放送等で再送出することが可能である。この際、編集システムＸは、前回放送した映像の不要部分を削除することが可能である。
図１によると、編集システムＸは、解析装置１と、蓄積サーバー２と、収録装置３と、編集装置４とが、ネットワーク５で接続されて構成されている。

解析装置１は、蓄積サーバー２に格納された放送映像データ２００等の内容を解析するための装置である。解析装置１は、例えば、映像データに含まれる映像（画像）について、各種フィルター処理やＯＣＲ（Optical Character Recognition、光学文字認識）を含む画像成分分析、畳み込みニューラルネット、ＧＡＮ（Generative Adversarial Network）、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long short term memory network）、その他の多層ニューラルネット、カーネルマシン、決定木、ベイジアンネットワーク、ＨＭＭ（Hidden Markov Model）、その他の統計的手法等を含む、いわゆるＡＩ（Artificial Intelligence）等の演算を行う装置である。さらに、解析装置１は、音声成分分析やＡＩにより、音声データ３００の解析も行うことが可能である。
解析装置１の詳細な構成については後述する。

収録装置３は、画像データや音声データ３００等を収録して、これらを画像や音声のエンコーダーを用いて、撮像された各種コーデックに符号化（変換）する装置である。
本実施形態において、収録装置３は、例えば、後述する撮像部３０で撮像された非圧縮の画像データを収録して符号化する。また、収録装置３は、専用回線やネットワーク５を介して、他局等にあるサーバー、ＶＴＲ、その他の機器から画像データを収録してもよいし、ＭＸＦ（Media eXchange Format）等のファイルで取り込むことで収録してもよい。エンコーダーでの符号化に用いる映像符号化方式（コーデック）は、例えば、ＭＰＥＧ２、Ｈ．２６４、Ｈ．２６５等を用いることが可能であるが、これに限られない。符号化されたデータについて、収録装置３は、蓄積サーバー２や再生用の送出設備へ送信することが可能である。

蓄積サーバー２は、放送映像データ２００を蓄積し、他装置へ送信するサーバー等の装置である。本実施形態において、蓄積サーバー２は、収録装置３で収録された収録素材（素材映像、素材ファイル）の放送映像データ２００、元映像データ２２０等を格納する素材映像サーバーとして機能する。これに加えて、蓄積サーバー２は、マルチプレクサ（Multiplexer、MUX）による多重化の機能を含んでいてもよい。
蓄積サーバー２に格納されるデータの詳細については後述する。

編集装置４は、いわゆる汎用のノンリニア編集機（装置）である。編集装置４は、レンダリング編集、カット編集等の編集処理を行う。このうち、レンダリング編集は、蓄積サーバー２に格納された放送映像データ２００を、実際にレンダリングしつつ編集する処理である。カット編集は、レンダリングを行わないでクリップ化する処理である。

本実施形態において、編集装置４は、図示しない表示部、キーボード、ポインティングデバイス、操作器等を備えている。さらに、編集装置４は、実際にこの編集作業を行うコンピュータである編集制御手段（編集手段）と、放送映像データ２００や編集のタイムライン等を表示させる表示部（ディスプレイ）と、編集の指示を入力するための操作パネル（操作手段）等を備えている。

編集装置４は、蓄積サーバー２に対して放送映像データ２００や元映像データ２２０等を参照し、編集可能な装置である。編集装置４は、ユーザに操作パネルを操作させ、編集処理の対象となる部分を指定させて、カット編集やレンダリング編集等を実行することが可能である。そして、編集装置４は、編集後の放送映像データ２００や元映像データ２２０等の編集情報を、蓄積サーバー２に送信して格納させる。

これらの編集処理において用いる編集情報は、例えば、処理対象となる部分の映像フレーム位置、映像上の座標、音声サンプルの位置の範囲、処理の内容等を含む。上述の編集処理の種類は、処理対象が映像の場合には、各種画像効果、クリップ間の接続とその効果、輝度や色の調整処理、フェードイン、フェードアウト、音量調整等を含む。

ネットワーク５は、各装置を結ぶＬＡＮ（Local Area Network）、光ファイバー網、ｃ．ｌｉｎｋ、無線ＬＡＮ（ＷｉＦｉ）、携帯電話網等の各装置を相互に接続して通信を行う通信手段である。ネットワーク５は、専用線、イントラネット、インターネット等を用いてもよく、これらが混在しても、ＶＰＮ（Virtual Private Network）を構成していてもよい。さらに、ネットワーク５は、ＴＣＰ／ＩＰやＵＤＰ等のＩＰネットワークを用いて、各種プロトコルで接続されてもよい。

なお、この他にも、編集システムＸは、汎用の放送局用の送出サーバー等を含む送出設備（装置）等を含んでいる。これらの装置は、蓄積サーバー２に記録されている素材映像や蓄積サーバー２に記録された放送映像を放送出力（オンエア）する。加えて、放送映像を、試写のために再生することも可能である。

より具体的に説明すると、解析装置１は、ハードウェア資源の一部として、制御部１０を備えている。

制御部１０は、後述する機能部を実現し、本実施形態の再送出処理の各処理を実行する情報処理手段である。制御部１０は、例えば、ＣＰＵ（Central Processing Unit、中央処理装置）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＴＰＵ（Tensor Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Processor、特定用途向けプロセッサー）等で構成される。これにより、制御部１０は、画像成分分析、音声成分分析、及び映像や音声用のＡＩ等の処理を、バッチ処理等を用いて、高速に実行することが可能である。

蓄積サーバー２は、ハードウェア資源の一部として、記憶部１１を備えている。

記憶部１１は、一時的でない記録媒体である。記憶部１１は、例えば、ＳＳＤ（Solid State Disk）、ＨＤＤ（Hard Disk Drive）、磁気カートリッジ、テープドライブ、光ディスクアレイ等のビデオストレージとして構成される。
このビデオストレージには、例えば、素材映像のデータ（素材データ）、完成した番組等の放送映像の映像データ、放送映像である放送映像データ２００等が格納される。蓄積サーバー２に格納されたファイルは、番組の放送スケジュールに沿って再生装置に転送されたり、編集装置４による番組編集処理に用いられたりする。これらのデータの詳細については後述する。
加えて、記憶部１１は、一般的なＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等も含んでいる。これらには、蓄積サーバー２及び解析装置１の制御部１０が実行する処理のプログラム、データベース、一時データ、その他の各種ファイル等が格納される。

収録装置３は、撮像部３０（撮像手段）を備えている。

撮像部３０は、ＣＣＤ（Charge Coupled Device）やＣＭＯＳ（Complementary Metal Oxide Semiconductor）素子等を用いたカメラ等の撮像装置である。撮像部３０は、収録装置３に内蔵しても、接続された外付けのカメラであってもよい。
撮像部３０は、撮像された画像をデジタル変換し、例えば、ＨＤ−ＳＤＩ規格の画像データとして、収録装置３へ送信する。この際、撮像部３０に装着され、又は、外設されたマイクロフォン等からの音声データも、ほぼ同時に収録装置３へ送信してもよい。または、これらの画像データや音声データは、ミキサーや各種機材を介して、収録装置３へ送信することも可能である。

次に、解析装置１の機能構成、及び蓄積サーバー２に格納されるデータの詳細について説明する。
制御部１０は、不要領域特定手段１００、不要領域加工手段１１０、元映像特定手段１２０、高画質化手段１３０、削除箇所特定手段１４０、元音声特定手段１５０、及び高音質化処理手段１６０を備える。
記憶部１１は、放送映像データ２００、加工映像データ２１０、元映像データ２２０、音声データ３００、加工音声データ３１０、及び元音声データ３２０を格納する。

不要領域特定手段１００は、収録装置３から、放送映像データ２００を取得して、放送映像データ２００に含まれる放送映像の特定箇所に連続して表示される不要領域を特定する。この際、不要領域特定手段１００は、例えば、映像の内容を解析し、Ｌ字等を不要領域として、映像上の位置を特定する。
具体的には、不要領域特定手段１００は、削除する対象の領域の特徴を学習させたモデルにより不要領域を特定することが可能である。このモデルは、例えば、画像成分分析やＡＩを用いてもよい。

不要領域特定手段１００により特定された不要領域を放送映像データ２００から削除又は目立たなくする加工を行った加工映像データ２１０を作成する。
不要領域加工手段１１０は、例えば、特定した不要領域について、自動でトリミング、拡大操作、マスク編集等のいずれか又は任意の組み合わせ（以下、単に「マスク処理」という。）により目立たないように加工する。
不要領域加工手段１１０は、作成された加工映像データ２１０を蓄積サーバー２へ格納する。

元映像特定手段１２０は、不要領域加工手段により加工された加工映像データ２１０及び／又は放送映像データ２００から、蓄積サーバー２に格納された元映像データ２２０を特定する。元映像特定手段１２０は、例えば、加工映像データ２１０及び／又は放送映像データ２００の映像内容を解析して、蓄積サーバー２の記憶部１１に格納された、放送映像の素材となる映像データ（素材データ）の映像と照合し、放送に使用された元映像データ２２０を特定する。
より具体的には、元映像特定手段１２０は、加工映像と元映像データ２２０に含まれる元映像との画像中の共通点を抽出し、抽出した共通点に基づいて元映像データ２２０に含まれる元映像を特定することが可能である。

高画質化手段１３０は、元映像特定手段１２０により特定された元映像データ２２０を基に、加工映像データ２１０を高画質化する。
具体的には、高画質化手段１３０は、加工映像データ２１０の各加工映像について、元映像データ２２０に含まれる元映像に基づくエッジ情報並びに／若しくは色情報を利用したエッジ強調若しくは合成、及び／又は、元映像データ２２０に含まれる元映像の切り出しによる合成を行うことで高画質化することが可能である。

削除箇所特定手段１４０は、放送映像に対応した音声データ３００を解析して、削除箇所を特定する。
具体的には、削除箇所特定手段１４０は、特定のモデルを用いて音声解析を行い、音声中の警報音の箇所を特定する。

元音声特定手段１５０は、元映像データ２２０に対応する元音声データ３２０を特定する。
元音声特定手段１５０は、例えば、蓄積サーバー２に格納された音声の素材データと照合し、放送に使用された元映像データ２２０と対応する元音声データ３２０を特定する。

高音質化処理手段１６０は、元音声特定手段１５０により特定された元音声データ３２０を基に、削除箇所特定手段１４０により特定された音声の削除箇所を高音質化する。
高音質化処理手段１６０は、例えば、警報音の逆位相を合成、及び／又は元音声データ３２０の切り出しによる合成を行うことで高音質化することが可能である。

放送映像データ２００は、放送映像のデータである。本実施形態では、放送映像データ２００は、放送時の送出映像を同時録画した放送同録映像等の放送映像を含んでいる。本実施形態では、放送映像データ２００は、例えば、ＭＸＦ形式のファイルを用いる。ＭＸＦは、いわゆる業務用映像ファイルを格納するコンテナフォーマットのファイルの一種である。具体的には、ＭＸＦは、カムコーダ、録画再生機、ノンリニア編集機、送出設備等の放送用装置機材に利用されており、映像や音声等の様々なフォーマットのデータを、メタデータとともにラッピングすることができる。このメタデータは、本実施形態においては、例えば、特定された不要領域のデータ、映像中の特徴データ、元映像との画像中の共通点のデータ等を含ませることが可能である。さらに、メタデータは、例えば、フレームレート、フレームサイズ、作成日、撮像部３０の撮影者、素材映像の各種情報を含めることができる。この各種情報としては、例えば、タイトルや内容、再生時間、シーンの情報、映像中の人物、撮影場所、撮影日時等を含む物体の情報等を用いることが可能である。

加工映像データ２１０は、放送映像データ２００から不要領域を削除又は目立たなくする加工を行った映像のデータである。この加工映像データ２１０も、ＭＸＦ形式のデータ、又は、最終的に送出設備で送出用のデータに加工される前の、編集用の中間的な形式のデータ等であってもよい。または、加工映像データ２１０は、元映像データ２２０のような素材データと同じ形式のデータであってもよい。さらに、加工映像データ２１０は、上述のように元映像データ２２０により高画質化されて、送出されてもよい。

元映像データ２２０は、蓄積サーバー２に格納された素材データである。元映像データ２２０は、実際の放送映像データ２００で使用された番組のデータ、その素材のデータ等を含む。元映像データ２２０と、放送映像データ２００とは、映像のフォーマットが異なってもよく、画質が放送映像データ２００より低圧縮や非圧縮等で高画質であってもよい。すなわち、元映像データ２２０のフォーマット（形式）は、ＭＸＦ形式以外の形式であっても、独自形式であってもよい。さらに、元映像データ２２０は、収録装置３から、素材データとして収録され、多重化された映像ストリームであってもよい。
加えて、本実施形態において、元映像データ２２０は、映像中の特徴データ、放送映像との画像中の共通点のデータ等を含んでいてもよい。

音声データ３００は、放送映像データ２００に対応した音声のデータである。音声データ３００は、放送時の送出音声を同時録音した放送同録録音等の放送音声を含んでいる。この放送音声は、例えば、Ｌ字等の箇所に注目を促すためのチャイムやブザーや短い音声等の警報音を含んでいてもよい。具体的には、音声データ３００は、例えば、ＭＸＦ形式のコンテナフォーマットに含まれるストリームとして、まとめられていてもよい。または、この放送音声は、例えば、各種量子化ビット数や周波数のＷＡＶ形式のファイル、各種圧縮形式や音声ストリーム形式のファイルであってもよい。音声データ３００は、後述するように、警報音の箇所が逆位相の警報音により加工されても、元音声データ３２０により置き換えられてもよい。

加工音声データ３１０は、加工映像データ２１０に含まれる音声のデータである。
本実施形態において、加工音声データ３１０は、音声データ３００と同じデータであってもよい。加工音声データ３１０は、上述のように音声データ３００により高音質化されて、加工映像データ２１０と共に送出されてもよい。
加工音声データ３１０も、ＷＡＶ形式のファイル、各種圧縮形式や音声ストリーム形式のファイル、編集用の中間的な形式のデータ等であってもよい。

元音声データ３２０は、元映像データ２２０に対応する音声のデータである。元音声データ３２０も、ＷＡＶ形式のファイル、各種圧縮形式や音声ストリーム形式のファイル、編集用の中間的な形式のデータ等であってもよい。

ここで、上述の各機能部は、記憶部１１に記憶された制御プログラム等が制御部１０で実行されることにより実現される。
なお、これらの各機能部は、ＦＰＧＡ（Field Programmable Gate Array）やＡＳＩＣ（Application Specific Integrated Circuit）等により、回路的に構成されてもよい。

〔編集システムＸの再送出処理〕
次に、図２〜図４を参照して、本発明の実施の形態に係る編集システムＸを用いた再送出処理についてより詳しく説明する。
本実施形態の再送出処理においては、放送同録映像等の放送映像データ２００を高画質化する高画質化処理と、放送同録録音等の音声データ３００を高音質化する高音質化処理とを実行する。これらの処理は、スレッドやプロセス等で同時並行的に実行されてもよい。
以下で、この編集システムＸによる再送出処理について、図２の各フローチャートを用いて説明する。

まず、再送出処理における高画質化処理について、図２（ａ）のフローチャートと、図３とを用いて、ステップ毎に詳しく説明する。

ステップＳ１００において、不要領域特定手段１００が、初期処理を行う。
図３（ａ）によると、不要領域特定手段１００は、放送局等毎に、Ｌ字等の削除する対象の領域の特徴をモデルに学習させる。このため、例えば、不要領域特定手段１００は、Ｌ字等に含まれる文字の形状、時刻表示の形状、字幕の表示位置やフォント等の加工が特定のパターンに限られることを利用し、これをモデルとして用いる。すなわち、ビデオサーバーシステムは単一の放送局が保有、運用することが一般的であることから、Ｌ字の形状、時刻表示の形状、字幕の表示位置やフォント等の加工方法は、ある程度特定のパターンに限られることを利用することができる。これは、ビデオサーバーシステムは放送局ごとに稼働しており、そこで扱われるＬ字等の挿入フォーマットは、ある程度の規則性があるからである。

具体的には、不要領域特定手段１００は、画像成分分析を行う場合、例えば、Ｌ字等に含まれる特定の画像成分を検出する。これは、例えば、画像の成分分析において、Ｌ字等に含まれる、特定の画像成分を検出することを示す。
または、不要領域特定手段１００は、ＡＩを用いる場合、放送局等毎に、Ｌ字等の特定の図柄、時刻表示等を不要領域として、予め学習させることが可能である。これは、例えば、特定の図柄を示したＬ字等を、ＡＩに削除する対象の領域と認識させることを示す。

一方、不要領域特定手段１００は、放送映像データ２００を取得する。具体的には、送出設備から送出された、放送時の送出映像を同時録画し、この放送同録映像を放送映像データ２００として、記憶部１１へ格納する。

次に、ステップＳ１０１において、不要領域特定手段１００が不要領域特定処理を行う。
図３（ａ）によると、不要領域特定手段１００は、放送映像データ２００に含まれる放送映像の特定箇所に連続して表示される不要領域を特定する。
Ｌ字等を削除する方法としては、まず映像解析が必要である。本実施形態においては、不要領域特定手段１００は、削除する対象の領域の特徴を学習させたモデルにより、不要領域を特定する。具体的には、不要領域特定手段１００は、例えば、放送映像データ２００の全編に対して解析を行って、番組の一部で生じた偶発的な類似画像の発生と、意図的に挿入されたＬ字等とを判別する。すなわち、不要領域特定手段１００は、放送映像データ２００の内容により、不要なＬ字等の位置を特定することが可能である。
不要領域特定手段１００は、このモデルとして、上述の画像成分分析又はＡＩを用いてもよい。これらにより、映像に含まれるＬ字等の有無、及びその不要領域の範囲の特定が可能である。

ここで、不要領域特定手段１００は、放送映像データ２００について、映像の各フレームを全て解析する必要はなく、フレームを間引いて解析してもよい。この間引きの間隔は、解析のモデル等の特性等により設定可能である。
具体的に説明すると、Ｌ字等の特徴として、基本的に放送全編において、長期間連続して表示されていることが挙げられる。すなわち、不要領域特定手段１００は、放送映像データ２００の全編にＬ字等がある場合、任意の１フレームの映像を解析すれば、不要領域を特定可能である。

しかしながら、Ｌ字等が全編ではない場合もある。さらに、ＣＭを放映している最中はＬ字等の表示を解除している可能性もある。このため、不要領域特定手段１００は、５秒程度あたり１フレーム毎の解析によって、不要領域を特定することも可能である。この場合、不要領域特定手段１００は、Ｌ字等の有無が放送映像データ２００中で変化する場合、不要領域があった箇所の前後の各フレームを解析していき、変化点を算出することが可能である。さらに、不要領域特定手段１００は、変化点においてＬ字等の大きさが変動する場合、Ｌ字等の領域範囲の特定を、各フレームに対して実行することが可能である。

さらに、不要領域特定手段１００は、放送映像データ２００のメタデータやＯＣＲによる解析を行って、Ｌ字等に含まれる文字列の文脈（コンテキスト）を解析し、含まれる情報の内容により、削除するべき内容なのか、映像コンテンツに元から存在した情報なのかを判別することも可能である。
不要領域特定手段１００は、これらの不要領域と特定された箇所について、放送映像データ２００のメタデータに格納することが可能である。

図３（ａ）では、Ｌ字の領域である不要領域Ａ１と、時刻表示の領域である不要領域Ａ２と、地図の領域である不要領域Ａ３とが特定された例を示している。

次に、ステップＳ１０２において、不要領域加工手段１１０が、不要領域があったか否かを判断する。不要領域加工手段１１０は、例えば、不要領域特定手段１００により特定された不要領域が放送映像データ２００のメタデータに設定されていた場合、Ｙｅｓと判断する。
Ｙｅｓの場合、不要領域加工手段１１０は、処理をステップＳ１０３へ進める。
Ｎｏの場合、不要領域加工手段１１０は、再送出処理における高画質化処理を終了する。

不要領域があった場合、ステップＳ１０３において、不要領域加工手段１１０が、不要領域加工処理を行う。
不要領域加工手段１１０は、不要領域を放送映像データ２００から削除又は目立たなくする加工を行った加工映像データ２１０を作成する。この不要領域を削除又は目立たなくする加工として、不要領域加工手段１１０は、例えば、特定されたＬ字の不要領域については、直接、画面表示されないような編集を行い、加工映像データ２１０を作成する。具体的には、不要領域加工手段１１０は、例えば、Ｌ字を自動でトリミングし、Ｌ字以外の領域を拡大し、全画面表示となるような編集を行う。これによって、加工映像データ２１０から、Ｌ字の表示を削除することが可能である。

一方、不要領域加工手段１１０は、例えば、特定された時刻や字幕等の不要領域に対しては、自動的にマスク処理を実行する。この場合、不要領域加工手段１１０は、例えば、不要領域にガウスブラー等のボカシ処理をするような編集を行う。これにより、加工映像データ２１０において、時刻や字幕や地図等の表示が、目立たなくなるか、視認できないようになる。
すなわち、不要領域加工手段１１０は。自動的にマスク処理を行った加工映像データ２１０を作成可能である。

図３（ｂ）は、不要領域を削除又は目立たなくした加工映像データ２１０の例を示す。

次に、ステップＳ１０４において、元映像特定手段１２０が、元映像特定処理を行う。
ビデオサーバーシステムを用いて放送された番組は、ビデオサーバーシステム内に格納されている映像を用いている可能性が十分に考えられる。このため、ビデオサーバーシステム内に保管されている映像を検索し、特定する。
具体的には、元映像特定手段１２０は、不要領域加工手段により加工された加工映像データ２１０及び／又は放送映像データ２００から、蓄積サーバー２に格納された元映像データ２２０を特定する。より具体的には、元映像特定手段１２０は、加工映像データ２１０に含まれる映像と、元映像データ２２０に含まれる元映像との画像中の共通点を抽出することが可能である。

ここで、元映像特定手段１２０は、例えば、加工映像データ２１０と元素材映像データとの映像中の特徴データを、成分分析して、メタデータ等として、それぞれに格納する。元映像特定手段１２０は、この加工映像データ２１０及び元素材映像データの特徴データを、時系列に沿って比較することで、共通点として抽出可能である。この映像中の特徴データは、例えば、文字情報、画面の色情報、描画されたオブジェクトの情報、サムネイル画像の情報等を設定可能である。または、元映像特定手段１２０は、加工映像データ２１０と元素材映像データとを、直接、ＡＩに学習させ、抽出した共通点に基づいて照合するといった処理を行うことも可能である。

すなわち、元映像特定手段１２０は、加工映像データ２１０及び／又は放送映像データ２００において、抽出した共通点に基づいて元映像データ２２０に含まれる元映像を特定する。
この検索により、放送に用いられた元映像の特定が可能となる。

図３（ｃ）は、加工映像データ２１０及び放送映像データ２００に対応して特定された元映像データ２２０の例を示す。

次に、ステップＳ１０５において、高画質化手段１３０が、元映像データ２２０が特定できたか否かを判断する。高画質化手段１３０は、元映像特定手段１２０により放送映像データ２００から元映像データ２２０が特定できた場合、Ｙｅｓと判定する。
Ｙｅｓの場合、高画質化手段１３０は、処理をステップＳ１０６へ進める。
Ｎｏの場合、高画質化手段１３０は、再送出処理における高画質化処理を終了する。

元映像データ２２０が特定できた場合、ステップＳ１０６において、高画質化手段１３０が、高画質処理を行う。
高音質化処理手段１６０は、元映像特定手段１２０により特定された元映像データ２２０を基に、加工映像を高画質化する。
高画質化手段１３０は、加工映像データ２１０について、超解像処理や高画質化処理を行う。具体的には、高画質化手段１３０は、元映像データ２２０に含まれる元映像の切り出しによる合成を行うことで高画質化することが可能である。

図３（ｃ）及び図３（ｅ）は、この元映像データ２２０から元映像の一部又は全画面を切り出して、加工映像データ２１０に上書き等で合成した例を示す。

さらに、高画質化手段１３０は、加工映像データ２１０について、元映像データ２２０に含まれる元映像に基づくエッジ情報及び／又は色情報を利用したエッジ強調又は合成を行うことも可能である。

図３（ｄ）及び図３（ｅ）は、この元映像データ２２０からエッジ情報や色情報を抽出し、加工映像データ２１０に合成した例を示す。

さらに加えて、高画質化手段１３０は、ＧＡＮ等のＡＩにより加工映像データ２１０を高画質化することも可能である。

その後、この高画質化された加工映像データ２１０は、送出設備により再送出される。この際、下記の高音質化処理が行われた音声データ３００を、ＭＸＦ形式等のコンテナフォーマットのファイルとして再送出してもよい。なお、不要領域が特定されず、加工映像データ２１０が生成されなかった場合、放送映像データ２００をそのまま再送出することも可能である。
以上により、再送出処理における高画質化処理を終了する。

次に、再送出処理における高音質化処理について、図２（ｂ）のフローチャートと、図４とを用いて、ステップ毎に詳しく説明する。

まず、ステップＳ１１０において、削除箇所特定手段１４０が、初期処理を行う。
削除箇所特定手段１４０は、上述の映像の高画質化処理と同様に、特定のモデルとして、例えば、音声データ３００から検索するモデルを設定する。ここで、上述のように、ビデオサーバーシステムは、単一の放送局が保有、運用することが一般的であることから、重畳される音声は、ある程度、特定のパターンに限られることを利用することが可能である。これは、例えば、特定のメロディ、音声パターン、音声の周波数変化等の特徴を、削除する対象と認識させることを示す。
本実施形態では、警報音についてのモデルを設定する例について説明する。このモデルは、例えば、ＨＭＭ等の統計モデル、ＲＮＮやＬＳＴＭ等の時系列モデルを用いたＡＩにより学習、設定されてもよい。

次に、ステップＳ１１１において、削除箇所特定手段１４０が、削除箇所特定処理を行う。
削除箇所特定手段１４０は、放送映像データ２００に対応した音声データ３００を解析して、削除箇所を特定する。削除箇所特定手段１４０は、例えば、放送映像データ２００のコンテナフォーマットの映像ストリームに対応づけられた音声データ３００を蓄積サーバー２から取得して、解析する。

図４（ａ）によれば、削除箇所特定手段１４０は、特定のモデルを用いて音声データ３００の解析を行い、音声中の警報音の箇所を特定する。音声データ３００の解析方法としては、機械的に音声の成分分析を行っても、ＡＩを用いてもよい。加えて、警報音の箇所は、単に警報音のみが音声データ３００に録音されているのではなく、他の音声に警報音が重畳された箇所であってもよい。この際、削除箇所特定手段１４０は、例えば、音声データ３００を数ミリ秒〜数百ミリ秒程度のウィンドウに分けてＦＦＴ（Fast Fourier Transform）を行い、警報音のパターンの位置を検索する。具体的には、削除箇所特定手段１４０は、例えば、ＨＭＭ等の統計モデル、ＲＮＮやＬＳＴＭ等のＡＩ等により、音声中の警報音の箇所を特定することが可能である。この警報音の特定も、音声データ全編に対して行っても、特定間隔で行っても、元映像データ２２０のＬ字等と対応する箇所のみに絞って行ってもよい。

次に、ステップＳ１１２において、元音声特定手段１５０が、削除箇所があったか否かを判断する。
Ｙｅｓの場合、は、処理をステップＳ１１３へ進める。
Ｎｏの場合、は、再送出処理の高音質化処理を終了する。

削除箇所があった場合、ステップＳ１１３において、元音声特定手段１５０が、元音声特定処理を行う。
映像と同様、ビデオサーバーシステムを用いて放送された番組は、ビデオサーバーシステム内に保管されている音声を用いている可能性が十分に考えられる。このため、音声解析時に、ビデオサーバーシステム内に格納されている元音声データ３２０の検索を行うことが可能である。

図４（ｂ）によれば、元音声特定手段１５０は、例えば、元映像データ２２０に対応する元音声データ３２０を特定する。この検索により、放送に用いられた元音声の特定が可能である。

次に、ステップＳ１１４において、高音質化処理手段１６０が、元音声データ３２０を特定できたか否かを判断する。
Ｙｅｓの場合、高音質化処理手段１６０は、処理をステップＳ１１５へ進める。
Ｎｏの場合、高音質化処理手段１６０は、処理をステップＳ１１６へ進める。

警報音の重畳が検出され、元音声データ３２０が特定できた場合、ステップＳ１１５において、高音質化処理手段１６０が、コピー高音質処理を行う。
高音質化処理手段１６０は、元音声特定手段１５０により特定された元音声データ３２０を基に、削除箇所特定手段１４０により特定された音声の削除箇所を高音質化する。高音質化処理手段１６０は、例えば、音声データ３００の警報音が含まれる範囲を元音声データ３２０の当該範囲で置き換える。

図４（ｂ）及び図４（ｃ）によれば、高音質化処理手段１６０は、音声データ３００の音声の削除を指定し、削除箇所を対応する元音声データ３２０の箇所で置換して、警報音を消去するような編集内容を設定し、実行する。この処理は、制御部１０に含まれるＤＳＰ等の専用プロセッサーで実行することも可能である。さらに、この際、高音質化処理手段１６０は、コンプレッサー等のエフェクトにより、音声の出力レベルを調整してもよい。
その後、高音質化処理手段１６０は、再送出処理の高音質化処理を終了する。

警報音の重畳が検出されたものの、元音声データ３２０が特定できなかった場合、ステップＳ１１６において、高音質化処理手段１６０が、反転高音質処理を行う。

図４（ｄ）によると、高音質化処理手段１６０は、警報音を位相反転した逆位相の波形データを、適切な出力レベルで音声データ３００と合成して、警報音を削除する。または、高音質化処理手段１６０は、警報音の周波数成分を削除する等の特殊なフィルター処理により、警報音を削除することも可能である。または、高音質化処理手段１６０は、警報音を消すように学習させたＡＩを利用して、警報音を削除することも可能である。さらに、削除後、高音質化処理手段１６０は、音声の出力レベルを調整してもよい。

これらの処理が終了した後、加工された音声データ３００は、加工映像データ２１０に対応づけられて、送出設備により再送出される。ここで、削除箇所がなかった場合、加工されない状態の音声データ３００が再送出される。なお、放送映像データ２００に、加工された又は加工されていない音声データ３００が対応づけられて再送出されてもよい。
以上により、再送出処理の高音質化処理を終了する。

以上のように構成することで、以下のような効果を得ることができる。
図５によると、従来、放送同録の放送映像を元に、再放送や再配信等で再送出を行う場合、Ｌ字等の不要な要素を削除するような映像加工を行っていた。このような映像の削除加工は、編集作業が都度手動で行われており、運用者の業務負荷が発生するうえ、再配信の迅速性にも欠ける。また、編集は手動であるため、Ｌ字部分を削除する範囲の設定不備により、必要以上の領域を削除した場合は不自然な画角となったり、その逆に削除範囲が狭かった場合はＬ字部分の背景色がハミ出し残存したりして、放送に適さない映像となる可能性があった。加えて、Ｌ字により縮小した領域には、再エンコードによる圧縮ノイズ等が発生することがあった。さらに、このＬ字により縮小した領域を再度拡大すると、映像の解像感が元の放送映像と比較すると、損なわれる（ボケが生じる）ことがあった。一方、時刻等をマスク（ボカシ）加工した領域は、周囲の映像との境界が生じ、極めて不自然な映像となっていた。そもそも、放送同録映像は放送映像を保存するために再圧縮したものが多いと想定されることから、本来と比較すると画質が劣っていた。
これらにより、映像上の違和感が生じて、放送に相応しくない映像となる可能性があった。

これに対して、本発明の実施の形態に係る編集システムＸは、放送映像データ２００に含まれる放送映像を再送出する編集システムであって、放送映像データ２００に含まれる放送映像の特定箇所に連続して表示される不要領域を特定する不要領域特定手段１００と、不要領域特定手段１００により特定された不要領域を放送映像データ２００から削除又は目立たなくする加工を行った加工映像データ２１０を作成する不要領域加工手段１１０と、不要領域加工手段により加工された加工映像データ２１０及び／又は放送映像データ２００から、格納された元映像データ２２０を特定する元映像特定手段１２０と、元映像特定手段１２０により特定された元映像データ２２０を基に、加工映像を高画質化する高画質化手段１３０とを備えることを特徴とする。

このように構成し、放送映像を再放送する際に、前回放送した映像の不要部分を削除する。すなわち、映像の内容を解析し、Ｌ時等の不要領域の位置を特定し、特定した不要領域を自動でマスク処理して目立たなく加工する。そして、映像内容を解析して、元映像データ２２０と照合し、放送に使用された元映像を特定する。この上で、蓄積サーバー２に格納された元映像データ２２０に基づいて、元の放送映像に近い映像を復元する。
このように、放送に用いられた元映像データ２２０を特定できた場合、元映像データ２２０を参照することで、従来よりも低負荷で、なおかつ高い精度の高画質化を行うことができる。これにより、放送映像の再送出時の画質劣化を抑えて、画質を改善できる。さらに、放送時の送出映像の同時録画から再送出までのワークフローを、自動編集により省力化することもできる。加えて、自動編集可能な編集システムとして、運用者の業務負荷を減らし、コストも改善できる。

本発明の実施の形態に係る編集システムＸは、不要領域特定手段１００は、削除する対象の領域の特徴を学習させたモデルにより不要領域を特定することを特徴とする。
このように構成することで、不要領域を確実に特定することが可能となる。すなわち、ビデオサーバーシステムは、放送局ごとに稼働しており、扱われる放送同録映像のＬ字等における文字の形状、時刻表示の形状、字幕の表示位置、フォント等の加工、挿入フォーマットは、ある程度の規則性がある。このような、特定のパターンを示すＬ字等を削除する対象の領域のモデルとして学習させ、Ｌ字等に含まれる特定の成分を検出して、不要領域を削除することで、高精度で不要領域を特定することが可能となる。これにより、自動編集による高画質化を確実に実行可能となる。

放送同録映像の放送品位を高めるために、超解像技術等の適用により、高画質化を行うことも考えられる。ここで、特にボカシを行った領域は、意図的に解像感を極めて低く加工している。さらに、たとえボカシの範囲を、時刻や字幕等の形状に精密に合わせたとしても、時刻や字幕等の上書きによって失われた元映像の画素情報は復元することが困難である。これらに対しては、ＡＩ等による高度な画像予測を行ったとしても、本来存在した画素情報や解像感を得ることは極めて難しかった。

これに対して、本発明の実施の形態に係る編集システムＸは、高画質化手段１３０は、加工映像データ２１０について、元映像データ２２０に含まれる元映像に基づくエッジ情報並びに／若しくは色情報を利用したエッジ強調若しくは合成、及び／又は、元映像データ２２０に含まれる元映像の切り出しによる合成を行うことで高画質化することを特徴とする。
このように構成し、元映像データ２２０に基づくエッジ情報や色情報を利用したエッジ強調や合成、元映像データ２２０に含まれる元映像の切り出しを行うことで、放送映像に本来存在した画素情報や解像感を再現することが可能である。すなわち、元の映像に近い映像を復元することができる。さらに、元映像データ２２０を用いてエッジや色を強調、合成することで、放送時よりも高画質化できる可能性も生じる。

本発明の実施の形態に係る編集システムＸは、元映像特定手段１２０は、加工映像データ２１０に含まれる加工映像と元映像データ２２０に含まれる元映像との画像中の共通点を抽出し、抽出した共通点に基づいて元映像データ２２０に含まれる元映像を特定することを特徴とする。
このように構成し、加工映像データ２１０と元映像データ２２０の画像中の共通点を予め抽出しておき、抽出した共通点に基づいて学習させて照合し、加工映像データ２１０から元映像データ２２０を特定することが可能である。このように、映像内容を解析しておき、保管された映像と照合し、放送に使用された元映像を特定することで、元映像データ２２０の検索を高速化し、更に、画質復元精度を向上させることができる。

従来、手動編集作業による逆位相合成やフィルター処理等だけでは警報音を完全に削除しきれず、警報音の成分がノイズとして残ってしまうことがあった。
これに対して、本発明の実施の形態に係る編集システムＸは、放送映像データ２００に対応した音声データ３００を解析して、削除箇所を特定する削除箇所特定手段１４０と、元映像データ２２０に対応する元音声データ３２０を特定する元音声特定手段１５０と、元音声特定手段１５０により特定された元音声データ３２０を基に、削除箇所特定手段１４０により特定された音声の削除箇所を高音質化する高音質化処理手段１６０とを更に備えることを特徴とする。

このように構成し、音声内容を解析して、格納された音声データ３００と照合し、放送に使用された元映像データ２２０に対応した元音声データ３２０を特定する。これにより、放送に用いられた元音声データ３２０が特定できた場合、これを参照することで、通常よりも高い精度で放送時に付加された警報音の削除を行うことができる。これにより、警報音に由来するノイズを緩和することができ、確実に高音質化させることができる。

本発明の実施の形態に係る編集システムＸは、削除箇所特定手段１４０は、特定のモデルを用いて音声解析を行い、音声中の警報音の箇所を特定することを特徴とする。
このように構成し、音声内容に、ＡＩ等を含む特定のモデルを用いて、格納された音声と照合し、放送に使用された元映像の音声を特定することで、警報音除去精度を向上させることが可能となる。

なお、上述の実施の形態では、蓄積サーバー２に既に格納されている放送映像データ２００について、高画質化処理を実行し、音声データ３００について高音質化処理をする例について説明した。
しかしながら、収録中、又は収録せずに、リアルタイムに処理を行うことも可能である。また、警報音の削除を行う高音質化処理についても、収録中、又は収録せずに、リアルタイムに処理を行うことも可能である。

上述の実施の形態では、放送映像データ２００を解析し、不要領域の有無を検索してから特定するように記載した。
しかしながら、運用者の操作によって、放送映像データ２００に、Ｌ字等が含まれることや、Ｌ字等の映像上の位置や表示開始時間や終了時間等を指定してもよい。このように構成することで、放送映像データ２００の解析を省くことができる。

上述の実施の形態では、放送映像データ２００から加工映像データ２１０を作成し、その加工映像データ２１０について元映像データ２２０からの置き換え、エッジや色の強調、合成等を行うように記載した。
しかしながら、放送映像データ２００について加工映像データ２１０を作成せず、直接、放送映像データ２００を加工することも可能である。または、マスク処理を行わず、例えば、放送映像データ２００のコピーを加工映像データ２１０として作成することも可能である。この場合、不要領域のあるフレームを元映像データ２２０のフレームで直接、置き換えたり、時刻や字幕等の表示位置を元映像データ２２０で置き換え、マスク処理は行わないようにしたりすることが可能である。
このように構成することで、マスク処理の手間を減らし、速く高画質化することが可能となる。

上述の実施の形態では、元映像データ２２０として、放送映像データ２００で使用された番組のデータを用いる例について説明した。
しかしながら、放送に用いられた映像そのものの特定が困難であっても、例えば、類似地点を映した類似の映像の素材データを、元映像データ２２０として用いることも可能である。このように構成することで、従来より高い精度の高画質化が可能となる。
なお、この類似の映像は、上述のＡＩにより検索することも可能である。さらに、ＧＡＮ等のＡＩを用いて、この類似の映像を、実際の放送に用いられた映像に近い映像に加工することも可能である。

一方、上述の実施の形態では、元音声データ３２０が特定できなかった場合のみ、警報音の逆位相合成やフィルター処理を行うように記載した。
しかしながら、加工音声データ３１０について、逆位相合成やフィルター処理をしてから、元音声データ３２０による置き換えを行ってもよい。
このように構成することで、元音声データ３２０の特定の可否によって処理を分ける必要がなくなり、高音質化の効率を向上させることができる。

加えて、上述の実施の形態では、音声データ３００を直接、逆位相合成やフィルター処理、又は、元音声データ３２０に置き換えるように記載した。
しかしながら、音声データ３００には加工せず、加工音声データ３１０を加工して、加工映像データ２１０と供に出力するように構成することも可能である。

上述の実施の形態では、蓄積サーバー２に格納された放送映像データ２００に対する各機能部の処理を、専用の解析装置１が実行する例について説明した。
しかしながら、上述の各機能部の処理は、解析装置１で行わなくてもよく、編集装置４や蓄積サーバー２等で実行してもよい。

上述の実施の形態では、コンテナフォーマットのファイルとして、ＭＸＦを用いる例について記載した。
しかしながら、ＭＸＦ以外のコンテナフォーマット、例えば、ＭＫＶ等を用いることも可能である。さらに、放送映像データ２００の記録形式や記録フォーマットは、システム要件に応じて、ＭＰ４、ＡＶＩ、その他のプログラムストリーム（ＰＳ）形式、その他のトランスポートストリーム形式（ＴＳ）等でもよい。さらに、放送映像データ２００は、各種コーデックで圧縮されていてもよい。

また、高画質化手段１３０及び高音質化処理手段１６０は、元映像データ２２０からの置き換えの際、映像についてはディゾルブ効果、音声はクロスフェード効果等を用いて、徐々に元映像データ２２０や元音声データ３２０と置き換えるようにしてもよい。
このように構成することで、不連続性に伴う違和感を緩和することが可能となる。

また、本発明の実施の形態に係る編集システムは、映像データを使用する各種装置に適用できる。たとえば、映像データを使用する装置として、エンコーダー、デコーダー、編集機、素材サーバー、送出サーバー等にも適用可能である。

なお、上記実施の形態の構成及び動作は例であって、本発明の趣旨を逸脱しない範囲で適宜変更して実行することができることは言うまでもない。

１ 解析装置
２ 蓄積サーバー
３ 収録装置
４ 編集装置
５ ネットワーク
１０ 制御部
１１ 記憶部
３０ 撮像部
１００ 不要領域特定手段
１１０ 不要領域加工手段
１２０ 元映像特定手段
１３０ 高画質化手段
１４０ 削除箇所特定手段
１５０ 元音声特定手段
１６０ 高音質化処理手段
２００ 放送映像データ
２１０ 加工映像データ
２２０ 元映像データ
３００ 音声データ
３１０ 加工音声データ
３２０ 元音声データ
Ａ１、Ａ２、Ａ３ 不要領域
Ｘ 編集システム

Claims (6)

1. 放送映像を再送出する編集システムであって、
   前記放送映像の特定箇所に連続して表示される不要領域を特定する不要領域特定手段と、
   前記不要領域特定手段により特定された不要領域を前記放送映像から削除又は目立たなくする加工を行った加工映像を作成する不要領域加工手段と、
   前記不要領域加工手段により加工された前記加工映像及び／又は前記放送映像から、格納された元映像を特定する元映像特定手段と、
   前記元映像特定手段により特定された前記元映像を基に、前記加工映像を高画質化する高画質化手段とを備える
   ことを特徴とする編集システム。
2. 前記不要領域特定手段は、
   削除する対象の領域の特徴を学習させたモデルにより前記不要領域を特定する
   ことを特徴とする請求項１に記載の編集システム。
3. 前記高画質化手段は、
   前記加工映像について、前記元映像に基づくエッジ情報並びに／若しくは色情報を利用したエッジ強調若しくは合成、及び／又は、前記元映像の切り出しによる合成を行うことで高画質化する
   ことを特徴とする請求項１又は２に記載の編集システム。
4. 前記元映像特定手段は、
   前記加工映像と前記元映像との画像中の共通点を抽出し、抽出した前記共通点に基づいて前記元映像を特定する
   ことを特徴とする請求項１乃至３のいずれか１項に記載の編集システム。
5. 前記放送映像に対応した音声を解析して、削除箇所を特定する削除箇所特定手段と、
   前記元映像に対応する元音声を特定する元音声特定手段と、
   前記元音声特定手段により特定された前記元音声を基に、前記削除箇所特定手段により特定された前記音声の前記削除箇所を高音質化する高音質化処理手段とを更に備える
   ことを特徴とする請求項１乃至４のいずれか１項に記載の編集システム。
6. 前記削除箇所特定手段は、
   特定のモデルを用いて音声解析を行い、前記音声中の警報音の箇所を特定する
   ことを特徴とする請求項５に記載の編集システム。

Images