Կարգին Արխիվ
KarginTV-ի 702 սքեթչ (2012–2013)՝ որոնելի տող առ տող։ Որոնիր երկխոսությունը, դերասանին, վայրը կամ նույնիսկ այն, ինչ երևում է կադրում, ու անցիր ուղիղ YouTube։
Ամբողջ աղյուսակը՝ զտիչներով ու ներբեռնումով, Տվյալներ էջում է։
Շնորհակալություն
Երկխոսությունների ձեռքով հավաքագրմանն օգնել են «Մարզերի երեխաները» (MEM — Children of the Regions) ծրագրի երեխաները։ Հենց նրանց արած աշխատանքի շնորհիվ է, որ 602 սքեթչ ունի մարդու ձեռքով համադրված տեքստ — և հենց դա է այս արխիվում ամենաարժեքավոր շերտը։
Մնացած ամեն ինչը՝ ստորև նկարագրված, մեքենայական է։ Մեքենան կարող է լսել ու նայել, բայց չի կարող փոխարինել այն ականջին, որը գիտի՝ ինչ է իրականում ասվում։
Ինչպես է սարքված
Տվյալների ամբողջ շերտը հավաքվել է փուլերով։ Ստորև՝ ազնիվ նկարագրությունը՝ ինչ գործիքով, ինչ ծածկույթով և ինչ սահմանափակումով։
1. Մետատվյալներ — YouTube Data API v3
702 տեսանյութի վերնագիր, տևողություն, վերբեռնման ամսաթիվ, դիտումներ, լեզվի պիտակներ և իրավունքների դաշտեր՝ մեկ հարցումով 50 տեսանյութ։ Դիտումների թիվը այն է, ինչ API-ն վերադարձրել է հավաքագրման պահին, ոչ թե ուղիղ եթերում։
2. Վերծանում — YouTube-ի հայերեն ձայնաճանաչում
YouTube-ի ավտոմատ ենթագրերը վերցվել են yt-dlp-ով, բայց դրանցից իրականում հայերեն էր ընդամենը 84-ը. մնացածում YouTube-ը լեզուն սխալ էր ճանաչել։ Մնացած տեսանյութերի ձայնը վերբեռնվել է կրկին՝ լեզուն բացահայտ նշելով որպես հայերեն, և YouTube-ի հայերեն ձայնաճանաչման արդյունքը հետ է բաժանվել ըստ ժամանակային կտրվածքի։ Կայքում ցուցադրվում է 165 վերծանում — միայն այն դեպքերում, երբ այն նոր բան է ավելացնում ձեռքով տեքստին։ Դրանցից 97-ի համար սա միակ գոյություն ունեցող երկխոսությունն է։ Սա մեքենայական տեքստ է՝ սխալներով, և կայքում միշտ առանձին է նշված։
3. Երաժշտություն — Shazam (shazamio)
Յուրաքանչյուր տեսանյութի ձայնից 30 վայրկյանը մեկ վերցվել է 12 վայրկյանանոց կտոր և ուղարկվել Shazam։ Համընկնումը հաստատվել է միայն այն դեպքում, երբ 5 վայրկյանով տեղաշարժված երկրորդ կտորը տվել է նույն պատասխանը — նույն բայթերը միշտ համաձայնում են իրենց հետ, տեղաշարժն է իրական ստուգումը։ Արդյունք՝ 579 սքեթչում 986 հաստատված կատարում։ Համեմատության համար՝ YouTube-ի սեփական երաժշտական նշումները տվել էին ընդամենը 17-ը։
4. Տեսարանը — Claude-ը նայում է կադրերին
Յուրաքանչյուր սքեթչից սարքվել է մեկ «կոնտակտային թերթիկ»՝ 40 կադր 8×5 ցանցում, ամեն կադրի վրա՝ իր ժամանակը։ Այդ թերթիկները կարդացել է Claude Sonnet-ը, իսկ ցածր վստահության 101 դեպքը վերընթերցել է Claude Opus-ը։ Ընթերցումը «կույր» է. մոդելը չի տեսել ոչ տեքստը, ոչ վերծանումը, և արգելված է եղել անուններ կռահել — որպեսզի նկարագրությունը լինի այն, ինչ իրականում երևում է։ Ծածկույթը՝ 702/702։ Այստեղից են գալիս «կով», «Lada», «հարսանիք» տիպի որոնումները, որոնք երկխոսության մեջ երբեք չեն հնչում։ Նկարագրությունները անգլերեն են։
5. Անոտացիաներ — Gemini 3 Flash (Vertex AI)
Ամեն սքեթչի համար՝ վերնագրեր, ամփոփումներ, բանալի բառեր, թեմաներ և հումորի տեսակ՝gemini-3-flash-preview մոդելով, կառուցվածքային ելքով (ցանկը պարտադրված է սխեմայով, ոչ թե հուշումով)։ Մոդելն ընտրվել է ArmBench-LLM-ի հայերենի վարկանիշով։ 702-ից 690-ը արել է Gemini-ն՝ $2.00-ով. 12 սքեթչ Google-ի բովանդակության զտիչը մերժել է (պատճառը հենց ձեռքով հավաքած կոպիտ երկխոսությունն էր), և դրանք արել է claude-opus-5-ը՝ նույն մուտքով։ Ամբողջ նախագծի Gemini-ի ծախսը՝ $2.27։
6. «Նմանատիպ» — gemini-embedding-2
Ամեն սքեթչի անգլերեն մանրամասն ամփոփումը վերածվել է 3072-չափանի վեկտորի, և նմանությունը հաշվվել է կոսինուսով։ Ցուցադրվում են միայն 0.75-ից բարձր գնահատականները. ցածր միավորները ոչ թե թույլ նմանություն են, այլ աղմուկ, և այն սքեթչերի համար, որոնց արխիվում զույգ չկա, «նմանատիպ»-ը լրացվում է ընդհանուր դերասանների հիման վրա։ Ստուգումը՝ ձայնային մատնահետքով գտնված 23 կրկնօրինակից 23-ը այս մեթոդով նույնպես առաջին տեղում են, թեև վեկտորը ձայնը երբեք չի լսել։
7. Կրկնօրինակներ — ձայնային մատնահետք
Ամեն տեսանյութի առաջին 60 վայրկյանից հանվել է ակուստիկ մատնահետք, բոլոր 246,051 զույգերը համեմատվել են, իսկ կասկածելիները՝ հաստատվել ձայնի ուղիղ խաչաձև հարաբերակցությամբ։ Գտնվել է 32 զույգ, որից 23-ը՝ նույն ձայնագրությունը։ Վերնագրերով դրանցից հնարավոր էր գտնել ընդամենը մեկը։
8. Որոնումը
Նախ՝ ուղիղ համընկնում։ Եթե քիչ բան գտնվեց, և հարցումը մեկից ավելի բառ է, բառերը փնտրվում են առանձին, և ամեն բառ կշռվում է ըստ իր հազվադեպության — «որ»-ը և «եմ»-ը գրեթե ոչինչ չեն նշանակում, հազվադեպ բառը մենակ կարող է որոշել սքեթչը։ Առանց այդ կշռի «պապա պտի ասես»-ը վերադարձնում էր 702-ից 538-ը՝ միայն լցոն բառերի հաշվին։ Վերջում՝ ուղղագրական շեղումը. հարցման ամենահազվադեպ բառը համեմատվում է արխիվի բառապաշարի հետ խմբագրման հեռավորությամբ (այսպես «սարո»-ն գտնում է «Սամո»-ին)։ Հայերենը ինդեքսավորվում է նաև լատինատառ և ռուսատառ ձևով, այնպես որ «tormuz» և «тормуз» գտնում են նույնը, ինչ «տոռմուզ»։
Մեքենայական ամեն շերտ սխալվում է։ Եթե որևէ տեղ սխալ ես նկատել, կամ փնտրածդ սքեթչը չկա — ասա մեզ. ամեն էջի ներքևում կոճակ կա։
Telegram բոտ
Նույն որոնումը կա նաև Telegram-ում՝ @KarginSearchBot։ Գրիր ռեպլիկան, ստացիր սքեթչը՝ հենց չաթում նվագարկվող տեսանյութով։
Ամենահարմարը՝ ցանկացած չաթում գրիր @KarginSearchBot տոռմուզ, ընտրիր սքեթչը, և այն կհայտնվի հենց այդ խոսակցության մեջ։