上一篇
FlipSketch是什么？一文让你看懂FlipSketch的技术原理、主要功能、应用场景
StoryTeller是什么？一文让你看懂StoryTeller的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
StoryTeller概述简介
StoryTeller是字节跳动、上海交通大学和北京大学一起推出的系统，能基于音频视觉角色识别技术改善长视频描述的质量和一致性。系统结合低级视觉概念和高级剧情信息，生成详细且连贯的视频描述。StoryTeller由视频分割、音频视觉角色识别和描述生成三个主要模块组成，能有效处理数分钟长的视频，在MovieQA任务中展现出比现有模型更高的准确率，比最强基线Gemini-1.5-pro高9.5%的准确率。
StoryTeller的功能特色
视频分割：将长视频切割成多个短片段，保持每个片段的独立性和完整性。
音频视觉角色识别：结合音频和视觉信息，识别视频中对话对应的角色。
描述生成：为每个视频片段生成详细的描述，整合成整个长视频的连贯叙述。
数据集构建：创建并使用MovieStory101数据集，提供长视频描述的训练和测试数据。
自动评估：基于MovieQA，用GPT-4自动评估视频描述的准确性和质量。
模型训练与微调：训练多模态大型语言大模型，提高角色识别和视频描述的准确性。
全局解码：确保同一角色在不同视频片段中保持一致的识别结果。
StoryTeller的技术原理
多模态融合：整合视觉（视频帧）、音频（对话）和文本（字幕和描述）信息，全面理解视频内容。
音频分离和角色ID分配：用音频嵌入模型对每个对话进行嵌入，基于聚类算法分配全局ID，将相似的音频嵌入分配相同的ID，表示同一角色。
音频视觉角色识别模型：用大型语言大模型（如Tarsier-7B）结合OpenAI的Whisper-large-v2音频编码器，将每个音频ID映射到特定的角色。
全局解码算法：在推理时，确保不同片段中相同角色的全局ID映射到一致的角色名称，提高角色识别的准确性。
视频描述生成：用识别结果作为输入，基于大型语言大模型生成每个片段的详细描述，并整合成完整的视频描述。
StoryTeller项目介绍
GitHub仓库：https://github.com/hyc2026/StoryTeller
arXiv技术论文：https://arxiv.org/pdf/2411.07076
StoryTeller能做什么？
电影和视频内容制作：自动生成电影预告片或电影片段的描述，帮助导演和编剧快速理解视频内容。辅助视频编辑工作，基于视频描述快速定位视频中的关键片段。
视频内容分析：在视频分析领域，提取视频内容的关键信息，如角色、情节和动作，进行深入的内容分析。
辅助视障人士：为视障人士提供视频内容的音频描述，更好地理解视频内容和故事情节。
教育和培训：在教育领域，为学生提供视频教材的详细描述，增强学习体验。在职业培训中，生成视频教程的详细步骤描述，提高培训效率。
视频搜索和索引：提高视频搜索的准确性，基于视频描述快速检索视频中的相关片段。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
Word WandAI
Word WandAI是一款在Zendesk中集成ChatGPT人工智能的插件。它能够提高客户支持票务回复的质量，并大大减少回复时间。该插件提供了强大...
Squire AI
Squire AI是一个代码审查和质量平台，它通过人工智能技术帮助团队提高代码质量，确保代码遵循团队的最佳实践。用户可以自定义规则，Squire AI...
CodebaseToPrompt
CodebaseToPrompt 是一个简单工具，能够将本地目录转换为大型语言模型（LLM）的结构化提示。它帮助用户选择需要包含或忽略的文件，然后以可...
Qwen2.5-Coder-14B
Qwen2.5-Coder-14B是Qwen系列中专注于代码的大型语言模型，覆盖了0.5到32亿参数的不同模型尺寸，以满足不同开发者的需求。该模型在代...
smartscout
SmartScout可帮助您在亚马逊上找到独特的产品机会。它收集了数百万个来自其他工具的数据点，为您提供有价值的信息，以做出可以提高收入，优化广告性能...
Copy Repo
Copy Repo是一个在线工具，它允许用户一键复制粘贴GitHub上的代码库到大型语言模型（LLMs）中。这个工具的主要优点是简化了代码迁移和管理的...
writergenie
作家是经验丰富的作家的完美内容创建合作伙伴。它的AI驱动技术使您能够更快地编写并轻松创建独特的原始内容。再也不用担心会再次引起挫败感的技术问题。...
Cheetah
Cheetah是一款基于AI的macOS应用，旨在通过提供实时、私密的辅导和与实时编码平台集成，帮助用户进行远程软件工程面试。...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
