IXThinker·2026-06-23 14:50

浙大團隊把一句話編輯影片延伸至音頻維度

自然語言指令驅動的影片編輯研究多聚焦視覺維度，主流數據集均不涉及音頻。浙江大學團隊把一句話編輯影片延伸至音頻維度，支援以自然語言同時修改畫面與聲音，並指評測體系在音頻與指令一致性的缺位。

現有編輯缺聲音

現時指令驅動的影片編輯工作多聚焦純視覺維度，主流大規模數據集均不涉及音頻；少數音視頻聯合編輯嘗試亦依賴受限的提示範式，與用戶直接說一句話的真實需求存在落差。