INTELIGENCIA ARTIFICIAL Y ARCHIVOS AUDIOVISUALES: UMA NUEVA FRONTERA PARA LA PRODUCCIÓN DE CONTENIDOSRESUMEN
La inteligencia artificial (IA) puede optimizar la gestión y producción de archivos audiovisuales televisivos, destacando también su papel en la preservación del patrimonio cultural. El artículo tuvo como objetivo analizar y evaluar las herramientas de IA existentes para examinar su potencial en la generación de nuevos productos audiovisuales a partir de grandes colecciones de televisión. La metodología utilizada incluyó una revisión bibliográfica y el análisis de aplicaciones de IA, realizado a través del análisis de bases de datos como Web of Science y Scopus, además de una búsqueda en Google Scholar. Se infiere que el estudio evalúa estas herramientas a través de variables como automatización, versatilidad, eficiencia, análisis de datos y escalabilidad. Las herramientas mejor valoradas fueron Newsbridge, DeepBrain AI, Showrunner AI, Runway ML y Wedit, concluyendo que la IA ofrece posibilidades y potencial para generar nuevos contenidos audiovisuales televisivos de forma dirigida-semiautomática o automática, a partir de las colecciones conservadas en los archivos televisivos.
Palabras claves:
Archivos audiovisuales; Inteligencia artificial; Productos audiovisuales; Generación automática; Producción televisiva
RESUMO
A inteligência artificial (IA) pode otimizar a gestão e produção de arquivos audiovisuais televisivos, destacando também seu papel na preservação do patrimônio cultural. O artigo teve como objetivo analisar e avaliar as ferramentas de IA existentes para examinar seu potencial na geração de novos produtos audiovisuais a partir de grandes coleções televisivas. A metodologia utilizada incluiu uma revisão bibliográfica e a análise de aplicações de IA, foi realizada por meio da análise de bases de dados como Web of Science e Scopus, além de busca no Google Acadêmico. Infere-se que o estudo avalia essas ferramentas por meio de variáveis como automação, versatilidade, eficiência, análise de dados e escalabilidade. As ferramentas mais bem avaliadas foram Newsbridge, DeepBrain AI, Showrunner AI, Runway ML e Wedit, concluindo que a IA oferece possibilidades e potencialidades para a geração de novos conteúdos audiovisuais televisivos de forma direcionada-semi-automática ou automática, a partir das coleções preservadas nos arquivos televisivos.
Palavras-chave:
Arquivos audiovisuais; Inteligência artificial; Produtos audiovisuais; Geração automática; Produção televisiva
1 INTRODUCCIÓN
Las colecciones audiovisuales desempeñan un papel fundamental en la preservación y gestión del patrimonio cultural, actuando como depósitos que resguardan la memoria histórica y social de las comunidades. No obstante, su relevancia trasciende el ámbito institucional, especialmente en el caso de las instituciones públicas, donde estos archivos adquieren un valor patrimonial colectivo al representar y preservar elementos esenciales de la identidad cultural de una sociedad.
Estos fondos no solo conservan materiales valiosos, sino que también facilitan su acceso y reutilización con fines educativos, investigativos y recreativos, contribuyendo al desarrollo del conocimiento y la cohesión social. La United Nations Educational, Scientific and Cultural Organization (UNESCO), reconociendo esta doble dimensión patrimonial -institucional y social-, ha subrayado la importancia de los archivos audiovisuales y sonoros como herramientas clave para la salvaguardia de la diversidad cultural y la transferencia de conocimiento entre generaciones. Según la UNESCO, los archivos audiovisuales nos cuentan historias sobre la vida y las culturas de las personas de todo el mundo. Representan un patrimonio inestimable que es una afirmación de nuestra memoria colectiva y una valiosa fuente de conocimiento, ya que reflejan la diversidad cultural, social y lingüística de nuestras comunidades (UNESCO, 2021). Así, estas colecciones no solo cumplen una función interna en términos de preservación y gestión del acervo de las instituciones, sino que también se convierten en piezas fundamentales para el fortalecimiento del patrimonio común de las comunidades a las que sirven (Edmonson, 2016).
Entre las colecciones más destacadas se encuentran las generadas por las empresas televisivas, que poseen archivos extensos y bien estructurados debido a su larga trayectoria en la producción de contenidos. Desde mediados del siglo XX, las televisoras han acumulado vastas cantidades de material, incluyendo programas informativos, de entretenimiento y culturales. Estos archivos no solo documentan la evolución de la programación televisiva, sino que también reflejan cambios sociales, políticos y culturales a lo largo del tiempo. La gestión eficiente de estos archivos es esencial para garantizar su preservación y facilitar su acceso, lo que implica desafíos significativos en términos de catalogación, almacenamiento y derechos de autor.
La Inteligencia Artificial (IA) ha emergido como una herramienta poderosa para optimizar procesos en múltiples sectores, incluyendo los medios de comunicación. En el contexto de los archivos audiovisuales, la IA ofrece soluciones avanzadas para el manejo de grandes volúmenes de datos, permitiendo análisis más profundos y precisos del material almacenado. Tecnologías como el reconocimiento de voz y de imágenes, la transcripción automática y la generación de metadatos facilitan la organización y búsqueda de contenidos, mejorando la eficiencia en la gestión de archivos.
Un ejemplo destacado es el Archivo de Radiotelevisión Española (RTVE) (VSN, 2024), donde la integración de la IA ha permitido generar automáticamente metadatos y mejorar la accesibilidad de contenidos audiovisuales, optimizando la catalogación y recuperación de colecciones filmadas, especialmente los fondos más antiguos (Bazán-Gil, 2024). Choudhury et al. (2023) examinan como la IA está transformando la industria del entretenimiento, analizando además de la IA, la realidad virtual y la realidad aumentadas, mientras Liu (2024) analiza el impacto de la IA en la producción televisiva. No obstante, Bazán-Gil (2023) hace un recorrido muy completo y detallado sobre los avances y usos que, desde los servicios de documentación de las cadenas de televisión, se está realizando con IA.
La aplicación de la IA en los archivos televisivos abre nuevas posibilidades para la creación y automatización de tareas, contribuyendo a la generación de contenidos (Bazán-Gil, 2023). Por ejemplo, la IA puede analizar patrones en las preferencias de la audiencia, permitiendo la producción de material más alineado con los intereses del público innovadores (Caldera-Serrano, 2024). Además, herramientas basadas en IA pueden asistir en la edición de video (Emmerson, 2023), sugiriendo cortes o transiciones que optimicen la narrativa audiovisual. La implementación de estas tecnologías no solo mejora la eficiencia operativa, sino que también enriquece la experiencia del usuario final, ofreciendo contenidos más personalizados y relevantes.
Recientemente la Duranti y Rogers (2024) ha presentado un trabajo centrado en la preservación de las colecciones audiovisuales analizando las potencialidades y realidades de la IA, de tal manera que le otorga valor para la mejora de los modelos de lenguaje para los archivos audiovisuales, enriquecimiento de metadatos, mejora en la protección y privacidad, mejora de la accesibilidad, procesos de digitalización asistida por IA, entre otras cuestiones, y sobre la necesidad de que los gestores de archivos audiovisuales y sonoros lleven a cabo una urgente alfabetización en IA para una mejor optimización de sus labores de gestión documental y de preservación de las colecciones.
Este trabajo se centra en explorar las diversas herramientas, tecnologías y aplicaciones de la IA que facilitan la generación automática o semiautomática de nuevos productos audiovisuales a partir de la información existente en los archivos de televisión. Al aprovechar el potencial de la IA, es posible no solo preservar y gestionar de manera más eficiente el patrimonio audiovisual, sino también innovar en la creación de contenidos que respondan a las demandas contemporáneas de las audiencias. La integración de la IA en los procesos documentales de los archivos audiovisuales televisivos representa una oportunidad para transformar la manera en que se gestionan y producen contenidos, adaptándose a las nuevas realidades del consumo mediático y aprovechando al máximo los recursos disponibles.
El presente trabajo tiene como objetivo principal el análisis y valoración de las principales herramientas de IA existentes, con el fin de evaluar su potencial para generar nuevos productos audiovisuales a partir de grandes colecciones televisivas. Este análisis se centra en la capacidad de estas herramientas para automatizar o semi-automatizar la producción de nuevos contenidos utilizando material audiovisual de archivo. La investigación busca identificar las tecnologías más avanzadas y efectivas que puedan ser implementadas en las cadenas de televisión para optimizar la reutilización de sus archivos audiovisuales.
En cuanto a los objetos de estudio, se consideran dos elementos fundamentales. Primero, los archivos de televisión, que son departamentos esenciales en las cadenas de televisión encargados de preservar y poner a disposición de la empresa el contenido generado y adquirido. Estos archivos representan una fuente invaluable de material que puede ser reutilizado para la creación de nuevos productos audiovisuales. Segundo, la IA, una tecnología que ha experimentado avances significativos en los últimos años, algunos de los cuales son específicos para los medios de comunicación masiva. La IA no solo facilita la gestión de grandes volúmenes de datos, sino que también mejora la capacidad de identificar y analizar imágenes en movimiento, lo que es crucial para la producción de contenido audiovisual.
Para lograr el objetivo planteado, se analizarán diversas aplicaciones de IA que pueden contribuir a la producción automática de contenidos audiovisuales. Entre las herramientas más destacadas se encuentran aquellas desarrolladas por empresas líderes en el sector, como Adobe, RunwayML y Synthesia, que ofrecen soluciones avanzadas para la edición de video, la generación de contenido y la automatización de procesos creativos (Bazán-Gil, 2023; Cecchine, 2021).
2 METODOLOGÍA
La metodología de este trabajo se divide en dos partes: la revisión bibliográfica y el análisis de aplicaciones y herramientas de IA. La revisión bibliográfica, típica de las investigaciones en ciencias sociales, se ha llevado a cabo mediante el análisis de bases de datos como Web of Science y Scopus, así como consultas en Google Scholar. Se utilizaron términos de búsqueda como "documentación audiovisual", "archivos de televisión", "inteligencia artificial", "automatización de procesos", "colecciones audiovisuales" y "producción de contenido", tanto de forma independiente como combinados mediante búsquedas booleanas. Esta revisión se realizó en febrero de 2025, seleccionando los documentos más relevantes para alcanzar los objetivos del trabajo.
Para la segunda parte, el análisis de aplicaciones, se consultaron las páginas web de los principales desarrolladores de IA, como Adobe, OpenAI, Microsoft, Google y Synthesia, y se realizaron búsquedas en la web para identificar las herramientas más relevantes por sus características. Una vez detectadas, se llevó a cabo un análisis detallado de cada una de estas herramientas, evaluando su potencial y posibilidades para el proceso de producción automática de contenidos audiovisuales a partir de las colecciones audiovisuales de la empresa.
Además, se consideraron estudios de caso y ejemplos prácticos de la implementación de IA en archivos audiovisuales. Por ejemplo, la BBC ha utilizado tecnologías de reconocimiento automático del habla (ASR) para transcribir millones de archivos de audio y video, mejorando la accesibilidad y la capacidad de búsqueda de su archivo (Cecchine, 2021). Asimismo, la colaboración entre la Biblioteca del Congreso de Estados Unidos y el proyecto Citizen DJ ha demostrado cómo la IA puede facilitar la reutilización creativa de materiales audiovisuales (Bazán-Gil, 2023).
3 DESARROLLO
3.1 IA, Mass Media y Documentación
La IA está desencadenando una profunda transformación en diversos aspectos de nuestras vidas, con un impacto que promete ser aún más significativo en el futuro. En este contexto, definir la IA no resulta una tarea sencilla, como han señalado diversos autores a lo largo del tiempo (Rouhiainen, 2018). Esta dificultad radica en la complejidad inherente de la disciplina y en la variedad de factores que influyen en su desarrollo, lo que complica la búsqueda de una definición que sea universalmente aceptada. Además, la IA no es un campo estático; su evolución constante contribuye a la multiplicidad de perspectivas y enfoques, desde los más técnicos hasta los filosóficos.
Amador (1996) propone una clasificación y diferenciación de la IA basada en su objeto y objetivo, destacando aspectos como la lógica, la representación del conocimiento y la resolución de problemas. Sin embargo, esta clasificación, aunque pionera, resulta más aplicable a las definiciones previas al siglo XXI, antes del auge de tecnologías disruptivas como el aprendizaje automático y la minería de datos. Posteriormente, Barrera Arrestegui (2012) amplía el análisis histórico, incorporando una perspectiva crítica que integra componentes tecnológicos y filosóficos, lo que permite observar el desarrollo de la IA como una intersección entre la ciencia, la ética y la epistemología. En este sentido, la revisión sistemática presentada en Inteligencia (2014) se convierte en una herramienta didáctica fundamental, al ofrecer un recorrido detallado por las diversas concepciones históricas de la IA.
En cuanto a enfoques más contemporáneos, diversos estudios destacan la multidimensionalidad del concepto. Por ejemplo, Canavilhas (2022), Ventura-Pocino (2021) y Pihlajarinne y Alén-Savikko (2022) examinan la IA desde perspectivas sociales, económicas, ideológicas y éticas, lo que refleja la creciente importancia de analizar esta tecnología no solo como un avance técnico, sino como un fenómeno que influye en múltiples esferas de la vida humana. Rouhiainen (2018), por su parte, proporciona una definición concisa de la IA, respaldada por expertos como Crawford (2021), que subraya la capacidad de las computadoras para realizar tareas que tradicionalmente requerían inteligencia humana, utilizando algoritmos complejos, aprendizaje autónomo y el procesamiento de grandes volúmenes de datos.
Armstrong (2016) identifica varias áreas clave en el desarrollo y aplicación de la IA, incluyendo el reconocimiento de imágenes, algoritmos comerciales, aplicaciones sanitarias, predicción industrial, ciberseguridad y marketing personalizado en redes sociales. Estas áreas constituyen un panorama dinámico que evidencia la versatilidad de la IA en resolver problemas específicos, pero también plantean retos éticos y técnicos que deben ser abordados para garantizar su implementación responsable. Para mantenerse al tanto de las tendencias más recientes, es esencial consultar a los principales desarrolladores y fuentes especializadas en tecnología, dado que el campo de la IA evoluciona a un ritmo vertiginoso.
Particularmente en el ámbito de los medios de comunicación, la IA ha comenzado a transformar los procesos de generación y gestión de información. Aunque se han realizado esfuerzos significativos en la gestión de información en medios como la televisión (Bazán-Gil, 2023), todavía estamos lejos de alcanzar el pleno potencial que esta tecnología puede ofrecer. Estudios recientes han analizado la IA en su capacidad para generar contenido informativo (Calvo-Rubio; Ufarte-Ruiz, 2021; Rojas Torrijos, 2021), así como en diferentes etapas de la cadena de producción informativa (Diakopoulos, 2019; Túñez-López; Fieiras-Ceide; Vaz-Álvarez, 2021). Las primeras aplicaciones conocidas de IA en el periodismo, como las implementadas en 2015 por Los Ángeles Times y luego por Associated Press para redactar artículos automáticamente (Sánchez-García et al., 2023), marcaron un hito que ha evolucionado con herramientas más avanzadas. Sin embargo, persisten limitaciones en la implementación completa de la IA en los medios, ya sea por la falta de recursos para su adopción o por el desarrollo insuficiente de ciertas tecnologías (AI4Media, 2023; Bruccoleri et al., 2022).
En el contexto de los sistemas documentales televisivos, las soluciones tecnológicas han avanzado significativamente, integrando herramientas como Microsoft Azure Video Indexer, que ofrece transcripciones y reconocimiento facial y de objetos, así como Vilynx y Telescope, diseñadas específicamente para televisión. También destacan Google Cloud Video Intelligence API, IBM Watson Media, Amazon Rekognition Video, VidMob y Wipster, que permiten etiquetar objetos, escenas y otros elementos visuales, generando descriptores que optimizan la gestión de contenidos audiovisuales. Este desarrollo es solo una muestra del potencial de la IA para transformar la industria mediática, aunque queda un largo camino por recorrer para aprovechar plenamente sus capacidades.
3.2 Creación de nuevos produtos audiovisuales com IA
Las grandes colecciones audiovisuales, especialmente los archivos de televisión, acumulan un volumen significativo de información que incluye programas informativos, de entretenimiento y producciones culturales. Este material, resultado de décadas de creación, constituye un recurso valioso no solo para preservar la memoria histórica, sino también para generar nuevos productos audiovisuales. En este contexto, la reutilización creativa de contenidos antiguos ha demostrado su atractivo para segmentos específicos de la audiencia, interesados en revivir piezas históricas o reinterpretarlas bajo nuevas narrativas (Bryant, 2015).
La IA desempeña un papel crucial al facilitar la automatización de procesos necesarios para la generación de nuevos contenidos a partir de archivos existentes. Herramientas de aprendizaje automático son capaces de analizar grandes volúmenes de datos audiovisuales, identificar patrones y sugerir combinaciones novedosas de material antiguo que podrían adaptarse a las tendencias actuales de consumo (Duan; Edwards; Dwivedi, 2019). Por ejemplo, sistemas de reconocimiento facial y de voz pueden clasificar y etiquetar automáticamente personajes históricos o eventos significativos, creando una base estructurada que simplifica la recuperación de información para nuevos proyectos.
Además de la automatización completa, la IA puede actuar como una fuente de inspiración para los creadores de contenido. Algoritmos de análisis semántico pueden identificar temas recurrentes o narrativas emergentes dentro de los archivos audiovisuales, proporcionando ideas para nuevas producciones. Este enfoque híbrido, en el que la IA combina la automatización de tareas con el apoyo a la creatividad humana, resulta especialmente prometedor en un sector en constante evolución como el audiovisual (Bazán-Gil, 2024). En definitiva, la integración de la IA en los archivos de televisión no solo potencia la eficiencia operativa, sino que también permite la generación de productos innovadores que resuenen con las audiencias contemporáneas.
3.2.1 Posibilidades de la IA en los mass media
El uso de la IA en los medios de comunicación permite alcanzar logros significativos en diversos ámbitos. Entre sus posibilidades destacan la automatización de resúmenes de contenido, que agiliza la creación de material promocional; la generación de segmentos personalizados adaptados a las preferencias del público; y el análisis avanzado de datos, que permite identificar tendencias y patrones en el consumo de medios. Además, la IA facilita el reconocimiento biométrico para clasificar personajes y eventos, mejorando la gestión de archivos audiovisuales, y la transcripción automática, que optimiza la búsqueda y recuperación de información en grandes bases de datos (Diakopopulos, 2019). Estos avances transforman la industria, incrementando la eficiencia operativa y potenciando la creatividad en la generación de contenidos.
La IA ha abierto un abanico de posibilidades para la generación automática de nuevos productos audiovisuales, permitiendo a los creadores explorar ideas de manera rápida y eficiente. Una de las aplicaciones más innovadoras en este ámbito es el uso de interfaces basadas en prompt engineering, donde los usuarios pueden interactuar con sistemas avanzados de IA para crear contenidos enteramente nuevos o adaptar material existente (Aarfi; Ahmed, 2024). Estas herramientas, como los generadores de texto a video o los modelos de generación de guiones, funcionan a partir de comandos específicos que definen el estilo, tono y contenido deseado, proporcionando resultados que abarcan desde sinopsis de documentales hasta segmentos de entretenimiento.
Por ejemplo, una aplicación de IA podría recibir un prompt como: “Genera un resumen visual de la historia de los Juegos Olímpicos, utilizando imágenes de archivo y destacando los momentos más icónicos”. A partir de este comando, la IA recopilaría automáticamente clips relevantes de los archivos audiovisuales, los organizaría cronológicamente y propondría una edición preliminar con música y narración adaptadas al propósito. Este enfoque permite no solo automatizar procesos complejos, sino también reducir significativamente los tiempos de producción, especialmente en proyectos donde el acceso rápido a material archivado es esencial.
Además, estas herramientas pueden ser utilizadas como fuentes de inspiración para los creadores de contenido. Al introducir comandos como “Sugiere ideas para un documental sobre el cambio climático basado en imágenes de archivo de los últimos 50 años” o “perfil biográfico de (nombre del personaje)”, la IA puede identificar patrones visuales y narrativos en el archivo existente, proponiendo enfoques temáticos que combinen imágenes impactantes con datos históricos (Saadioui, 2024). Esto no solo acelera las fases iniciales de ideación, sino que también puede dar lugar a perspectivas innovadoras que de otra manera pasarían desapercibidas.
Otra posibilidad es la generación de contenidos personalizados para audiencias específicas (Zhang; Yang, 2021). Por ejemplo, una aplicación podría analizar las preferencias de consumo de un grupo demográfico y, basándose en un archivo audiovisual, crear productos adaptados como mini-documentales, cápsulas informativas o piezas de entretenimiento diseñadas específicamente para captar su interés. Este enfoque, además, podría aplicarse a la creación de campañas publicitarias o educativas, maximizando la relevancia del contenido para cada audiencia.
Estos sistemas no solo son herramientas autónomas, sino que también pueden integrarse en flujos de trabajo colaborativos. Un editor puede combinar las propuestas generadas por IA con su propia creatividad, refinando las ideas iniciales para crear productos audiovisuales únicos y de alta calidad. Este modelo híbrido entre automatización e intervención humana representa el futuro de la producción audiovisual, donde la tecnología no reemplaza, sino que potencia las capacidades creativas humanas.
3.2.2 Condiciones de las colecciones audiovisuales para trabajar con IA
Para implementar técnicas de IA en la generación automática de contenidos audiovisuales, las colecciones deben cumplir con ciertas condiciones fundamentales. Estas condiciones aseguran que los sistemas de IA puedan analizar, procesar y reutilizar el material de manera eficiente y efectiva, maximizando el potencial de la tecnología y mejorando el resultado final. El primer requisito indispensable como condición necesaria para las colecciones audiovisuales es que las colecciones audiovisuales estén completamente digitalizadas y almacenadas en formatos accesibles por computadora. Esto incluye no solo los videos, sino también los elementos relacionados, como subtítulos, transcripciones y documentos asociados que complementen la comprensión del contenido. Los archivos analógicos, como cintas de video, deben ser convertidos a formatos digitales estándar (por ejemplo, MP4 o MOV) que permitan su lectura y manipulación por software avanzado.
Además, el contenido debe estar enriquecido con metadatos detallados. Estos metadatos pueden incluir palabras clave, descripciones de escenas, información sobre los actores o personajes involucrados, y datos sobre el contexto histórico o cultural del material. Aunque la generación de metadatos puede ser realizada por humanos, las herramientas de IA también son capaces de automatizar este proceso mediante tecnologías como el reconocimiento de voz (speech-to-text) (Dja´far; Hamidah, 2024), el reconocimiento Óptico de Caracteres (OCR) (Smith; Antonova; Lee, 2009) y el análisis de imágenes (Sun et al., 2018). La combinación de ambos enfoques puede garantizar mayor precisión y cobertura en los datos generados.
Una vez digitalizado y enriquecido con metadatos, el contenido debe ser segmentado y analizado para identificar elementos clave que facilitarán su reutilización (Sun et al., 2018). Las técnicas de reconocimiento facial (Salturk; Kahraman, 2024) y de voz (Minaee et al., 2023) permiten categorizar escenas según los personajes involucrados, mientras que el análisis de video (Redes…, 2024) puede detectar eventos específicos, como celebraciones, discursos o paisajes naturales. Por ejemplo, una herramienta de IA puede analizar horas de grabaciones de eventos deportivos para identificar automáticamente goles, jugadas destacadas o entrevistas importantes, clasificándolas según su relevancia narrativa.
El reconocimiento de voz y OCR son fundamentales para extraer datos de audio y texto incorporados en los archivos audiovisuales. Esto puede incluir la identificación de frases clave en discursos, la transcripción de diálogos o la lectura de textos presentes en las imágenes, como letreros o documentos. Este proceso permite ampliar las posibilidades de búsqueda y recuperación de material relevante.
La curación de contenidos es una etapa clave en la reutilización de material audiovisual. Las herramientas de IA pueden seleccionar y combinar clips automáticamente, basándose en parámetros como palabras clave, tono emocional, cronología o patrones visuales específicos. Por ejemplo, para generar un documental histórico sobre un evento como la caída del Muro de Berlín, la IA puede identificar y combinar clips de discursos, imágenes de archivo y entrevistas relacionadas con ese evento, organizándolos de manera coherente y atractiva.
Los algoritmos de Procesamiento de LENGUAJE NATURAL (NLP), como ChatGPT o Narrative Science, pueden generar guiones basados en el contenido seleccionado por la IA (Fan; Lewis; Dauphin, 2018). Estos guiones pueden incluir descripciones de eventos, narraciones explicativas y enlaces entre diferentes clips. Posteriormente, las narraciones generadas se integran con herramientas de síntesis de voz, creando narraciones automáticas.
La IA puede optimizar los procesos de producción y edición mediante herramientas avanzadas (Sun, 2024), realizando ediciones automáticas, incluyendo ajustes de color, ecualización de sonido, creación de transiciones fluidas y efectos visuales adaptados al tono del contenido. Además, pueden automatizar el montaje según estructuras narrativas predefinidas, lo que permite a los creadores centrarse en decisiones creativas de alto nivel mientras la IA gestiona las tareas técnicas.
3.2.3 Algunas aplicaciones de IA para los medios y variables para su pertinencia
En el contexto de la producción audiovisual contemporánea, la integración de herramientas basadas en IA ha permitido optimizar la generación de nuevos contenidos a partir de material de archivo, especialmente en el ámbito de los canales de televisión. Entre las soluciones más destacadas se encuentra Wedit de VSN, un editor de vídeo integrado en la plataforma VSNExplorer que facilita la creación de clips mediante la unificación automatizada de segmentos audiovisuales, resultando ideal para la elaboración de resúmenes informativos y tráilers. En la misma línea, Rephrase.ai permite la creación de vídeos personalizados con avatares virtuales que reproducen textos de manera realista, optimizando la generación de contenido a partir de guiones preexistentes. Pictory.ai destaca por su capacidad para transformar contenido textual en vídeos breves, lo cual resulta especialmente útil en estrategias de marketing y difusión en redes sociales.
Por su parte, Designs.ai de Inmagine ofrece un conjunto de herramientas para la creación de vídeos, logotipos y material gráfico, empleando IA para agilizar procesos creativos y facilitar la reutilización de archivos multimedia. En el ámbito de la producción televisiva, Showrunner AI de The Fable Studio (www.fablestudio.com) permite la creación automatizada de programas y series animadas, generando historias visuales en cuestión de minutos. Asimismo, Adobe Premiere Pro, potenciado por Adobe Sensei, incorpora funciones avanzadas de IA como la edición automatizada, el ajuste inteligente de color y el reconocimiento de objetos, lo que optimiza significativamente la reutilización de contenido audiovisual archivado.
Entre las plataformas de edición automatizada, Magisto de Vimeo utiliza IA para identificar y editar de forma inteligente los momentos más destacados de un vídeo, aplicando técnicas de edición profesional sin intervención manual extensiva. Lumen5 y Wibbitz permiten la conversión de textos en vídeos dinámicos mediante la selección automática de imágenes y clips relevantes, lo cual resulta eficiente para la creación de contenidos informativos o promocionales. En cuanto a la generación de presentadores virtuales, Synthesia y DeepBrain AI permiten crear vídeos con avatares realistas que narran guiones predefinidos, lo que elimina la necesidad de grabaciones en estudio. Finalmente, Veed.io ofrece una solución integral para la edición de vídeos en línea, con funciones basadas en IA que permiten transcribir audio, generar subtítulos automáticos y simplificar el proceso de postproducción. Estas herramientas, en conjunto, representan un avance significativo en la automatización de la producción audiovisual, permitiendo a los canales de televisión optimizar recursos y diversificar su oferta de contenidos a partir de archivos existentes
Para evaluar herramientas de IA orientadas a la generación automática de contenidos audiovisuales en el contexto de una cadena o empresa de televisión, es fundamental considerar una serie de variables clave que permiten identificar su eficacia, adaptabilidad y potencial para integrarse en flujos de trabajo profesionales. Estas variables se pueden agrupar en diferentes categorías, atendiendo tanto a aspectos técnicos como operativos y estratégicos.
Capacidad de automatización: a) generación de contenidos a partir de órdenes textuales: Habilidad para crear vídeos completos (con narración, gráficos, y edición) a partir de simples instrucciones escritas o resúmenes textuales; b) compactación temática u onomástica: capacidad para agrupar y sintetizar contenidos audiovisuales según temas, eventos o nombres propios, facilitando la creación de resúmenes o especiales sin necesidad de edición manual; c) automatización de flujos de trabajo: posibilidad de integrar la herramienta en Sistemas de Gestión de Medios (MAM) para automatizar procesos desde la ingesta de material hasta la emisión final.
Versatilidad en la producción de contenidos: a) adaptación a diferentes formatos televisivos: capacidad para generar tanto noticias breves, como documentales, programas de entretenimiento o análisis deportivos, ajustándose a las necesidades de la programación; b) multiplataforma: facilidad para adaptar el contenido a distintos canales de distribución, como televisión tradicional, plataformas over-the-top (OTT) o redes sociales; c) Personalización de estilos visuales y narrativos: posibilidad de definir plantillas, estilos de edición, tipos de narración o branding corporativo.
Eficiencia operativa: a) velocidad de procesamiento: tiempo requerido para generar un producto audiovisual desde el input de datos hasta la versión final; b) facilidad de uso: intuitividad de la interfaz y la curva de aprendizaje para periodistas, editores o técnicos sin conocimientos avanzados en IA; c) colaboración en tiempo real: capacidad de permitir el trabajo simultáneo de varios usuarios, especialmente útil en redacciones con alta carga de trabajo.
Inteligencia en el análisis de datos audiovisuales: a) reconocimiento de patrones y metadatos: detección automática de rostros, voces, objetos o ubicaciones, lo que facilita la búsqueda de material de archivo específico; b) análisis semántico avanzado: comprensión del contenido para generar resúmenes, titulares o descripciones automáticas que mantengan la coherencia informativa; c) Integración de datos externos: Capacidad de conectarse con APIs o bases de datos externas para enriquecer el contenido con información actualizada (ej. datos en tiempo real de eventos deportivos o resultados electorales).
Escalabilidad y adaptación empresarial: a) adaptabilidad a diferentes tamaños de empresa: desde pequeños canales locales hasta grandes redes de televisión con necesidades de producción masiva; b) compatibilidad con infraestructuras existentes: Integración con software de edición, servidores de vídeo, sistemas de almacenamiento en la nube, etc.; c) escalabilidad en la nube: posibilidad de ampliar capacidades de procesamiento sin necesidad de infraestructuras locales complejas.
Seguridad y gestión de derechos: a) protección de datos: seguridad en el manejo de información confidencial, especialmente relevante para cadenas de noticias; b) gestión de derechos de autor: herramientas para el control de licencias de uso del material audiovisual, especialmente al trabajar con archivos históricos.
Costes y retorno de inversión: a) modelo de precios: claridad en los costos, ya sea por suscripción, licencia perpetua o pago por uso; b) relación coste-beneficio: evaluación de cuánto se optimizan los recursos humanos y técnicos frente a la inversión realizada; c) reducción de costes operativos: Posibilidad de disminuir gastos relacionados con la edición, postproducción o contratación de personal adicional.
Si nos centramos específicamente en la creación de noticias audiovisuales automáticas, destacaríamos: a) automatización basada en texto: generar vídeos completos solo con un titular o un texto breve; b) compactación de archivos por criterios temáticos/onomásticos: crear especiales de archivo (ej. “lo mejor del año de un personaje público”) en minutos; c) capacidad de actualización en tiempo real: generación de boletines informativos a partir de fuentes de datos en directo; d) Síntesis automatizada de ruedas de prensa o eventos largos: extracción de los momentos clave sin intervención humana; e) generación de gráficos y datos visuales automáticos: para noticias económicas, deportivas o científicas.
4 ANÁLISIS Y PONDERACIÓN DE LAS PRINCIPALES HERRAMIENTAS DE IA PARA GENERACIÓN AUTOMÁTICA DE CONTENIDO
Se lleva a cabo una ponderación para para evaluar las herramientas de IA en función de las variables clave que hemos definido. Para hacerlo más práctico, se asigna un peso (de uno a cinco) a cada variable según su importancia para una cadena de televisión centrada en la generación automática de contenidos audiovisuales. La escala puntuará tendrá la escala de: 1. Muy baja capacidad. 2. Baja capacidad. 3. Capacidad moderada. 4. Alta capacidad. 5. Capacidad sobresaliente, otorgándole el siguiente peso a cada una de las categorías. Siendo las variables más críticas (peso cinco): automatización de flujos de trabajo, generación de contenidos a partir de órdenes textuales, análisis semántico avanzado y relación coste-beneficio; las variables estratégicas (peso cuatro): Compactación temática, velocidad de procesamiento, adaptabilidad empresarial, compatibilidad técnica etc.; y las variables complementarias (peso tres) Facilidad de uso, personalización visual, colaboración en tiempo real etc. (Tabla 1).
El análisis se ha llevado a cabo mediante un enfoque de evaluación ponderada. Este proceso se basa en la asignación de puntuaciones y pesos específicos para cada variable crítica relacionada con la producción automática de contenidos audiovisuales en entornos televisivos. El objetivo ha sido identificar las soluciones más eficaces considerando tanto sus capacidades técnicas como su impacto operativo. Para reflejar la importancia relativa de cada categoría, se asignó un peso de uno a cinco a cada variable. Este peso indica la relevancia de la categoría para el objetivo final de automatización de contenidos audiovisuales. El puntaje final de cada herramienta se obtiene mediante la multiplicación de la puntuación por el peso asignado (Puntaje Final = Puntuación × Peso).
El resultado de dicho análisis nos otorga los siguientes resultados (Tabla 2):
Por lo tanto, las aplicaciones mejor valoradas son:
Newsbridge. Newsbridge, desarrollada por la empresa homónima (www.newsbridge.io), es una plataforma avanzada de gestión de activos audiovisuales (Media Asset Management) que optimiza los flujos de trabajo en entornos televisivos. Destaca por su capacidad de indexación automática de grandes volúmenes de contenido, reconocimiento de rostros, transcripción en tiempo real y generación de clips temáticos a partir de metadatos. Su modelo de precios es flexible, basado en suscripción y adaptado a las necesidades del cliente. Requiere infraestructura en la nube o entornos híbridos, con integración API para sistemas existentes. Dirigida a cadenas de televisión, agencias de noticias y productoras, facilita la creación de clips informativos y reportajes temáticos automatizados.
Ventajas: Newsbridge ofrece una automatización avanzada en la catalogación y recuperación de archivos, reduciendo significativamente el tiempo dedicado a la búsqueda manual de contenidos. Su capacidad para crear rápidamente clips temáticos a partir de criterios específicos definidos por el usuario, como palabras clave, fechas o eventos relevantes, la convierte en una herramienta versátil. Además, destaca por su escalabilidad y precisión en el análisis semántico, permitiendo una mayor personalización del contenido generado. Su tecnología facilita la generación de resúmenes automáticos de noticias y la agrupación de contenido de forma onomástica o temática, optimizando la producción de boletines informativos y programas de análisis. Estas capacidades no solo agilizan la producción, sino que permiten un enfoque más estratégico en la creación de contenidos, mejorando la relevancia y la actualidad del material audiovisual.
DeepBrain AI. DeepBrain AI (www.deepbrain.io) es una solución especializada en la creación de presentadores virtuales y la generación automática de videos mediante síntesis de voz e imagen. Sus aplicaciones incluyen la producción automatizada de noticias a partir de textos y la personalización de presentadores digitales. Ofrece modelos de suscripción escalables, funcionando en la nube con requisitos técnicos moderados.
Ventajas: DeepBrain AI permite la generación de boletines informativos y noticieros sin intervención humana directa, a partir de simples instrucciones textuales. Su capacidad para personalizar presentadores virtuales en múltiples idiomas y estilos posibilita la adaptación del contenido a diversas audiencias y contextos culturales. Esta herramienta reduce significativamente los costos de producción al eliminar la necesidad de estudios de grabación tradicionales y personal técnico especializado. Además, integra gráficos dinámicos y datos en tiempo real, lo que enriquece la presentación de noticias, reportajes y análisis informativos. La posibilidad de actualizar contenido de forma instantánea y su flexibilidad en la personalización convierten a DeepBrain AI en una solución ideal para la producción automatizada en entornos mediáticos dinámicos.
Runway ML. Runway ML (www.runwayml.com) es una plataforma de creación audiovisual basada en IA que permite la edición avanzada de video, eliminación de fondos y síntesis de imágenes. Es altamente versátil, con capacidades de automatización en tareas complejas de postproducción y creación de videos a partir de descripciones textuales. Su precio varía según el plan de suscripción elegido.
Ventajas: Runway ML destaca por la automatización de la edición de videos con alta precisión visual, permitiendo aplicar efectos complejos sin necesidad de conocimientos técnicos avanzados. Su capacidad para generar efectos especiales y contenidos temáticos a partir de simples descripciones textuales facilita la creación de piezas visuales innovadoras. La integración con flujos de trabajo creativos existentes permite una adopción rápida en entornos profesionales, mientras que su capacidad para automatizar la creación de trailers, resúmenes visuales y montajes temáticos agiliza la producción de contenido audiovisual. Además, Runway ML ofrece herramientas de aprendizaje automático que permiten personalizar los modelos de IA para necesidades específicas, aumentando la eficiencia y creatividad en la producción.
Showrunner AI (Fable Studio). Showrunner AI, de Fable Studio (www.fablestudio.com), está diseñada para la creación automatizada de contenido narrativo, como series animadas y videos temáticos. Genera guiones, animaciones y narrativas audiovisuales de forma autónoma a partir de instrucciones textuales, con planes de precios personalizados para el sector profesional.
Ventajas: Showrunner AI tiene la capacidad de crear contenido original sin intervención manual directa, lo que optimiza la producción de series digitales y piezas narrativas. Su automatización de procesos creativos para producciones audiovisuales incluye la generación de guiones, storyboards y secuencias animadas, lo que permite acelerar el ciclo de producción. La eficiencia en la generación de series y piezas breves personalizadas facilita la adaptación a diferentes formatos y audiencias. Además, la integración de algoritmos de IA que optimizan la coherencia narrativa y visual mejora la calidad del contenido final, permitiendo la creación de historias complejas y atractivas de forma automatizada.
Wedit (VSN). Wedit, distribuida por VSN (www.vsn-tv.com), es una herramienta de edición de video en la nube que permite la creación y gestión de contenidos de forma colaborativa. Diseñada para entornos de producción televisiva, destaca en la edición de noticias y resúmenes en tiempo real. Ofrece licencias por suscripción adaptadas a diversas necesidades empresariales.
Ventajas: Wedit permite la edición rápida de contenidos informativos a partir de material de archivo, con flujos de trabajo optimizados para producciones en directo. Su integración con sistemas de gestión de medios facilita la automatización en la selección y edición de clips, lo que agiliza la producción de noticias de última hora. La colaboración en tiempo real para equipos de producción distribuidos geográficamente mejora la eficiencia en entornos de noticias urgentes. Además, ofrece la posibilidad de generar resúmenes automáticos de eventos y cobertura continua mediante algoritmos de detección de momentos clave, optimizando la relevancia y la inmediatez del contenido audiovisual producido.
5 CONCLUSIONES
La integración de la IA en la gestión y producción de archivos audiovisuales televisivos ha demostrado ser un factor clave para optimizar procesos y potenciar la creación de nuevos productos. A lo largo de este estudio, se ha evidenciado cómo la IA mejora la eficiencia operativa mediante la automatización de tareas repetitivas, la generación automática de metadatos y la optimización de flujos de trabajo. Estas capacidades no solo contribuyen a la preservación del patrimonio audiovisual, sino que también permiten su reutilización de forma creativa y adaptada a las demandas contemporáneas del público.
Las herramientas analizadas, como Newsbridge, DeepBrain AI, Runway ML, Showrunner AI y Wedit, destacan por su capacidad para automatizar la generación de contenidos, personalizar productos audiovisuales y mejorar la gestión documental en entornos televisivos. La versatilidad de estas aplicaciones permite adaptarse a diferentes formatos y plataformas, facilitando la creación de contenidos más relevantes y accesibles para diversas audiencias. Esta capacidad de adaptación no solo optimiza la productividad, sino que también contribuye a la democratización del acceso a la información audiovisual, permitiendo que tanto grandes corporaciones mediáticas como pequeños creadores de contenido puedan beneficiarse de las mismas herramientas tecnológicas.
Sin embargo, la implementación de la IA también plantea desafíos, especialmente en lo que respecta a la gestión de derechos de autor, la seguridad de los datos y la ética en la producción de contenidos. Es necesario un enfoque equilibrado que combine la automatización con la supervisión humana, asegurando la calidad, la veracidad y la integridad de los productos audiovisuales generados. Además, el uso de IA en la producción de contenidos plantea preguntas sobre la sostenibilidad de los modelos tradicionales de trabajo en el ámbito audiovisual, la posible pérdida de empleos en tareas específicas y la necesidad de redefinir el papel de los profesionales en la industria.
La IA se presenta como un aliado estratégico para la evolución del sector audiovisual, capaz de transformar los procesos de creación y gestión de contenidos. No obstante, su implementación debe ir acompañada de un análisis crítico que contemple tanto sus beneficios como sus limitaciones, promoviendo un uso ético y responsable que maximice su potencial sin comprometer los valores fundamentales del sector.
RECONOCIMIENTOS
This research was supported by the Junta de Extremadura and FEDER Funds “A way to make Europe” [QUINARI Research Group SEJ013 GR18130].
REFERENCIAS
-
AARFI, S. A.; AHMED, N. Prompt Engineering for Generative AI: practical techniques and applications. Scientific Engineering, [s.l.], v. 24, n. 11, p. 102-115, 2024. DOI https://doi.org/10.5923/j.se.20241102.02
» https://doi.org/10.5923/j.se.20241102.02 -
AI4MEDIA. The AI4Media project. [s.l.]: AI4Media, 2023. Disponible en: https://www.ai4media.eu Acceso en: 1 feb. 2025
» https://www.ai4media.eu -
AMADOR HIDALGO, L. Inteligencia artificial y sistemas expertos. Córdoba: Universidad de Córdoba, 1996. Disponible en: https://helvia.uco.es/handle/10396/6938 Acceso em: 1 feb. 2025
» https://helvia.uco.es/handle/10396/6938 -
ARMSTRONG, M. The future of A.I. Statista. [s.l.]: Statista, 2016. Disponible en: https://www.statista.com/chart/6810/the-future-of-ai Acceso en: 1 feb. 2025
» https://www.statista.com/chart/6810/the-future-of-ai -
BARRERA ARRESTEGUI, L. Fundamentos históricos y filosóficos de la inteligencia artificial. Revista de Investigación y Cultura, Chiclayo, v. 1, n. 1, p. 87-92, 2012. Disponible en: https://www.redalyc.org/pdf/5217/521752338014.pdf Acceso en: 1 feb. 2025
» https://www.redalyc.org/pdf/5217/521752338014.pdf -
BAZÁN-GIL, V. Artificial intelligence applications in media archives. Profesional de la información, [s.l.], v. 32, n. 5, 2023. DOI https://doi.org/10.3145/epi.2023.sep.17
» https://doi.org/10.3145/epi.2023.sep.17 -
BAZÁN-GIL, V. Inteligencia artificial en la preservación y puesta en valor de los archivos audiovisuales en el contexto territorial: El archivo de RTVE como referente. Tábula, Salamanca, [s.n.], n. 27, 2024. DOI https://doi.org/10.51598/tab.1019
» https://doi.org/10.51598/tab.1019 -
BRUCCOLERI, A.; IACOVIELLO, R.; MESSINA, A.; METTA, S.; MONTAGNUELO, M.; NEGRO, F. AI in vision: high quality video production & content automation. Turim: RAI - Radiotelevisione Italiana : Centre for Research, Technological Innovation and Experimentation, 2022. Disponible en: https://www.ai4media.eu/whitepapers/ai-in-vision-high-quality-video-production-content-automation Acceso en: 1 feb. 2025.
» https://www.ai4media.eu/whitepapers/ai-in-vision-high-quality-video-production-content-automation -
BRYANT, S. Archive footage in new programmes: presentational issues and perspectives. VIEW Journal of European Television History and Culture, [s.l.], v. 4, n. 8, p. 61-66, 2015. Disponible en:https://mediarep.org/bitstream/handle/doc/15097/VIEW_8_2015_61-66_Bryant_Archive_Footage_.pdf Acceso en: 1 feb. 2025.
» https://mediarep.org/bitstream/handle/doc/15097/VIEW_8_2015_61-66_Bryant_Archive_Footage_.pdf -
CALDERA-SERRANO, J. Aplicaciones de la Inteligencia Artificial para automatización de procesos documentales en los archivos audiovisuales televisivos. Revista Interamericana de Bibliotecología, [s.l.], v. 48, n. 1, 2024. DOI https://doi.org/10.17533/udea.rib.v48n1e356060
» https://doi.org/10.17533/udea.rib.v48n1e356060 -
CALVO-RUBIO, L. M.; UFARTE-RUIZ, M. J. Artificial Intelligence and journalism: Systematic review of scientific production in Web of Science and Scopus (2008-2019). Communication & Society, [s.l.], v. 34(2), p. 159-176, 2021. DOI https://doi.org/10.15581/003.34.2.159-176
» https://doi.org/10.15581/003.34.2.159-176 -
CANAVILHAS, J. Inteligencia artificial aplicada al periodismo: estudio de caso del proyeco “A European perspective” (UER). Revista Latina de Comunicación Social, Madrid, [s.n.], n. 80, p. 1-3, 2022. DOI https://doi.org/10.4185/RLCS-2022-1534
» https://doi.org/10.4185/RLCS-2022-1534 -
CECCHINE, R. The potential for AI in audiovisual archives. In: BEELD EN GELUID, Hilversum, 10 mayo 2021. Disponible en: https://www.beeldengeluid.nl/en/knowledge/blog/potential-ai-audiovisual-archives Acceso en: 1 feb. 2025.
» https://www.beeldengeluid.nl/en/knowledge/blog/potential-ai-audiovisual-archives -
CHOUDHURY, M.; PRABDHU, S.; SABRI, A. K.; MARHOON, H. A. Impact of artificial intelligence (AI) in the media and entertainment industry. AIP Conferencia Proceeding, Melville, v. 2736, n. 1, 2023. DOI https://doi.org/10.1063/5.0171147
» https://doi.org/10.1063/5.0171147 -
CRAWFORD, K. Atlas of AI: power, politics and the planetary costo f Artificial Intelligence. New Haven: Yale University Press, 2021. DOI https://doi.org/10.12987/9780300252392
» https://doi.org/10.12987/9780300252392 -
DIAKOPOULOS, N. Automating the news: how algorithms are rewriting the media. Cambridge: Harvard University Press, 2019. DOI https://doi.org/10.4159/9780674239302
» https://doi.org/10.4159/9780674239302 -
DJA’FAR, V. H.; HAMIDAH, F. N. Improving English Pronunciation Skills through AI-Based Speech Recognition Technology. Ethical Lingua: Journal of Language Teaching and Literature, Kota Palopo, v.11, n. 2, 2024. DOI https://doi.org/10.30605/25409190.747
» https://doi.org/10.30605/25409190.747 -
DUAN, Y.; EDWARDS, J. S.; DWIVEDI, Y. K. Artificial intelligence for decisión making in the era of Bid Data-Evolution, challenges and research agenda. International Journal of Information Management, [s.l.], v. 48, [s.n.], p. 63-71, 2019. DOI http://doi.org/10.1016/j.ijinfomgt.2019.01.021
» http://doi.org/10.1016/j.ijinfomgt.2019.01.021 -
DURANTI, L.; ROGERS, C. (ed.). Artificial intelligence and documentary heritage. Londres: UNESCO, 2024. (SCEaR newletter, special issue). Disponible en: https://unesdoc.unesco.org/ark:/48223/pf0000389844 Acceso en: 1 feb. 2024.
» https://unesdoc.unesco.org/ark:/48223/pf0000389844 -
EDMONSON, R. Audiovisual archiving: philosophy and principles. Paris: Unesco, 2016. Disponible en: https://unesdoc.unesco.org/ark:/48223/pf0000243973 Acceso en: 1 feb. 2025.
» https://unesdoc.unesco.org/ark:/48223/pf0000243973 -
EMMERSON, R. El papel de la IA en la producción y edición de vídeo. In: BIGVU BLOG, New York, 23 agosto 2023. Disponible en: https://bigvu.tv/es/blog/the-role-of-ai-in-video-production-and-editing Acceso en: 1 feb. 2025.
» https://bigvu.tv/es/blog/the-role-of-ai-in-video-production-and-editing -
FAN, A.; LEWIS, M.; DAUPHIN, Y. Hierarchical neural story generation. arXiv, [s.l.], [s.n.], [s.n.], mayo 2018. DOI https://doi.org/10.48550/arXiv.1805.04833
» https://doi.org/10.48550/arXiv.1805.04833 -
LIU, J. Analysis of the impacto f AI editing on film and television post-production in digital transformation. Applied Mathematics and Nonlinear Sciences, [s.l.], v. 9, n. 1, sept. 2024. DOI https://doi.org/10.2478/ams-2024-2424
» https://doi.org/10.2478/ams-2024-2424 -
MINAEE, S.; ABDOLRASHIDI, A.; SU, H.; BENNAMOUN, M.; ZHANG, D. Biometrics recognition using Deep Learning: a survey. Artificial Intelligence Review, 56, 8647-9695, 2023. DOI https://doi.org/10.1007/s10462-022-10237-x
» https://doi.org/10.1007/s10462-022-10237-x -
PIHLAJARINNE, T.; ALÉN-SAVIKKO, A. (ed.). Artificial intelligence and the media: reconsidering rights and responsibilities. Reino Unido: Edward Elgar Publishing, 2022. Disponible en: https://www.elgaronline.com/view/edcoll/9781839109966/9781839109966.xml Acceso en: 1 feb. 2025.
» https://www.elgaronline.com/view/edcoll/9781839109966/9781839109966.xml -
ROJAS TORRIJOS, J. L. Semi-automated journalism: reinforcing ethics to make the most of artificial intelligence for writing news. In: LUENGO, M.; HERRERA-DAMAS, S. (ed.), News media innovation reconsidered: ethics and values in a creative reconstruction of journalism. Nueva Jersey: Wiley-Blackwell, 2021. p. 124-137. DOI https://doi.org/10.1002/9781119706519.ch8
» https://doi.org/10.1002/9781119706519.ch8 - ROUHIAINEN, L. Inteligencia artificial: 101 cosas que debes saber hoy sobre nuestro futuro. Barcelona: Planeta, 2018.
-
SAADIOUI, Z. Enhancing historical research with generative AI. In: ARSTURN, [s.l.], 28 agosto. 2024. Disponible en: https://www.arsturn.com/blog/enhancing-historical-research-with-generative-ai Acceso en: 1 feb. 2025.
» https://www.arsturn.com/blog/enhancing-historical-research-with-generative-ai -
SALTURK, S.; KAHRAMAN, N. Deep learning-powered multimodal biometric authentication: integrating dynamic signatures and facial data for enhanced online security. Neural Computing and Applications, [s.l.], v. 36, [s.n.], p. 11311-11322, 2024. DOI https://doi.org/10.1007/s00521-024-09690-2
» https://doi.org/10.1007/s00521-024-09690-2 -
SÁNCHEZ-GARCÍA, P.; MERAYO-ÁLVAREZ, N.; CALVO-BARRERO, C.; DÍEZ-GRACIA, A. Desarrollo tecnológico español de la inteligencia artificial aplicada al periodismo: Empresas y herramientas de documentación, producción y distribución de información. El Profesional de la Información, [s.l.], v. 32, n. 2, 2023. DOI https://doi.org/10.3145/epi.2023.mar.08
» https://doi.org/10.3145/epi.2023.mar.08 -
SK. Redes neuronales convolucionales: transformando el reconocimiento de imágenes con aprendizaje profundo. In: INFOSECURED.AI, [s.l.], 2024. Disponible en: https://www.infosecured.ai/es/i/ai-definitions/convolutional-neural-networks-cnn-deep-learning/. Acceso en: 1 feb. 2025.
» https://www.infosecured.ai/es/i/ai-definitions/convolutional-neural-networks-cnn-deep-learning -
SMITH, R.; ANTONOVA, D.; LEE, D. Adapting the Tesseract open source OCR engine for multilingual OCR. In: INTERNATIONAL WORKSHOP ON MUTILINGUAL OCR (MOCR), 9., 2009, Barcelona. Proceedings […]. Barcelona: MOCR, 2009. DOI https://doi.org/10.1145/1577802.1577804
» https://doi.org/10.1145/1577802.1577804 -
SUN, C.; SHRIVASTAVA, A.; SINGH, S.; GUPTA, A. Revisiting unreasonable effectiveness of data in Deep learning era. In: IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV), 1., 2018, Venice. Proceedings […]. Venice: IEEE, 2018. P. 843-852. DOI https://doi.org/10.1109/ICCV.2017.97
» https://doi.org/10.1109/ICCV.2017.97 -
SUN, L. L. Using AI to improve TV production Flow: a media ecology perspective. Tvtech, New York, 23 oct. 2024. Opinion. Disponible en: https://www.tvtechnology.com/opinion/using-ai-to-improve-tv-production-flow-a-media-ecology-perspective Acceso en: 1 febrero 2025.
» https://www.tvtechnology.com/opinion/using-ai-to-improve-tv-production-flow-a-media-ecology-perspective -
TÚÑEZ-LÓPEZ, J. M.; FIERAS-CEIDE, C.; VAZ-ÁLVAREZ, M. Impact of artificial intelligence on journalism: transformations in the company, products, contents and professional profile. Communication & Society, [s.l.], v. 34, n. 1, p. 177-193, 2021. DOI https://doi.org/10.15581/003.34.1.177-193
» https://doi.org/10.15581/003.34.1.177-193 -
UNITED NATIONS EDUCATIONAL, SCIENTIFIC AND CULTURAL ORGANIZATION [UNESCO]. World day for audiovisual heritage. Londres: UNESCO, 2021. Disponible en: https://webarchive.unesco.org/20210924093609///en.unesco.org/commemorations/worldaudiovisualday Acceso en: 1 feb. 2025.
» https://webarchive.unesco.org/20210924093609///en.unesco.org/commemorations/worldaudiovisualday - VENTURA-POCINO, P. Algorithms in the newsrooms: challenges and recommendations for artificial intelligence with the ethical values of journalism. Barcelona: Catalan Press Council, 2021.
-
VSN. Inteligencia Artificial en el Fondo Documental RTVE. [s.l.]: VSN, 2024. Disponible en: https://www.vsn-tv.com/es/rtve-vsn-inteligencia-artificial-vsnexplorermam/. Acceso en: 1 feb. 2025.
» https://www.vsn-tv.com/es/rtve-vsn-inteligencia-artificial-vsnexplorermam -
ZHAN, Y.; YANG, Q. A survey on multi-task learning. IEEE Transactions on Knowledge and Data Engineering, [s.l.], v. 34, n. 12, p. 5586-5609, 2021. DOI https://doi.org/10.1109/TDKE.2021.3070203
» https://doi.org/10.1109/TDKE.2021.3070203
Fuente: elaboración propia (2025).