--- title: "StoryTeller – 字节、上海交大、北大共同推出的全自动长视频描述生成一致系统" url: "https://paooo.com/aigc-news/25380/" author: "Prompt 语宙研究院" published_at: "2026-07-13T16:18:29+08:00" updated_at: "2026-07-13T16:18:29+08:00" categories: "AIGC 资讯" tags: "AI视频生成, AI音频与语音, OpenAI, 大模型微调" source: "Prompt 语宙 (https://paooo.com)" ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)" --- # StoryTeller – 字节、上海交大、北大共同推出的全自动长视频描述生成一致系统 > 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/25380/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-13 ## AI 30 秒核心看点 (TL;DR) - 通过视频分割、角色识别与描述生成三模块协同，解决长视频描述不连贯、角色指代混乱的问题。 - 引入音频视觉角色识别和全局解码，确保同一角色跨片段名称一致，提升叙述稳定性。 - 在MovieQA任务中表现优于现有模型，较Gemini-1.5-pro高9.5%，并配套MovieStory101数据集。 ## StoryTeller是什么 StoryTeller是字节跳动、上海交通大学和北京大学共同推出的系统，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的主要功能 - **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的项目地址 - **GitHub仓库**：[https://github.com/hyc2026/StoryTeller](https://github.com/hyc2026/StoryTeller) - **arXiv技术论文**：[https://arxiv.org/pdf/2411.07076](https://arxiv.org/pdf/2411.07076) ## StoryTeller的应用场景 - **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。 ## 常见问题解答 (FAQ) ### StoryTeller主要解决什么问题？ 它主要解决长视频自动描述中常见的内容不连贯、角色指代不一致和细节缺失问题。系统通过分割视频、识别说话角色并生成片段描述，再整合为完整叙述。 ### StoryTeller为什么比普通视频描述模型更准？ 因为它不仅看画面，还结合音频、字幕和文本信息，并通过全局解码保持同一角色在不同片段中的名称一致，从而提升长视频理解和描述质量。 ### StoryTeller适合哪些应用场景？ 适合电影内容分析、视频编辑定位、视障辅助音频描述、教育培训讲解以及视频搜索索引等场景，尤其适合需要长视频结构化理解的任务。 --- 探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)