(資料圖)

近日，在第二屆全球媒體創(chuàng)新論壇上，上海人工智能實(shí)驗(yàn)室、央廣電視總臺(tái)聯(lián)合發(fā)布“央視聽媒體大模型”。

據(jù)新民晚報(bào)報(bào)道，本次發(fā)布的央視聽大模型為首個(gè)專注于視聽媒體內(nèi)容生產(chǎn)的AI大模型，集合了央廣電視總臺(tái)的海量視聽數(shù)據(jù)與上海AI實(shí)驗(yàn)室的原創(chuàng)先進(jìn)算法、大模型訓(xùn)練基礎(chǔ)設(shè)施優(yōu)勢(shì)?；凇皶ㄓ么竽Ｐ腕w系”，央視聽大模型將拓展視聽媒體的創(chuàng)意空間、提高創(chuàng)作效率并帶來交互方式的變革。

據(jù)悉，以大模型的多模態(tài)理解、交互和生成能力為基礎(chǔ)，媒體工作者將來有望在“聊天”中完成工作。目前，央視聽大模型具備了強(qiáng)大的視頻理解能力和視聽媒體問答能力，AI相當(dāng)于擁有了感知真實(shí)世界的“眼睛”和“耳朵”。

同時(shí)，央視聽大模型可根據(jù)提供的視頻，創(chuàng)作諸如主持詞、新聞稿件，甚至詩歌等文字。媒體編輯可在大模型的協(xié)助下，一鍵為視頻生成風(fēng)格各異的解說詞，當(dāng)前生成內(nèi)容已覆蓋美食、文化和科技等多個(gè)領(lǐng)域。

央視聽大模型可通過逐步呈現(xiàn)的視覺元素，理解并分析視頻。用戶通過與AI聊天對(duì)話的形式，深挖視頻蘊(yùn)含信息，進(jìn)一步完善輸出的內(nèi)容——當(dāng)它“看”到央視節(jié)目《中國(guó)詩詞大會(huì)》中“看圖猜詩詞”環(huán)節(jié)視頻，便可理解視頻內(nèi)容并生成出李白的《望廬山瀑布》。

央視聽大模型還為用戶提供了強(qiáng)大的交互式圖像、視頻編輯與創(chuàng)作能力，使得新的內(nèi)容生產(chǎn)方式變成可能。在央視聽大模型的界面中，用戶僅需使用簡(jiǎn)單的光標(biāo)和文字指令，即可快速修改或編輯圖像，實(shí)現(xiàn)“指哪改哪，畫隨口出”。

上海人工智能實(shí)驗(yàn)室科研團(tuán)隊(duì)介紹，央視聽大模型具備的視覺理解能力，源于跨模態(tài)互動(dòng)技術(shù)的最新突破，將圖像/視頻視為另一種“語言”，并將視覺與語言對(duì)齊，降低人工智能視覺任務(wù)的門檻?；趯?duì)多模態(tài)數(shù)據(jù)的建模，央視聽大模型可感知圖像的風(fēng)格與紋理筆觸，通過將用戶輸入的文本指令與圖像對(duì)齊，實(shí)現(xiàn)按照用戶需求生成畫面及風(fēng)格一致的其他內(nèi)容。

除了視頻內(nèi)容，央視聽大模型還具備快速生成“數(shù)字人主播”的能力。使用較短的真人采集視頻即可生成對(duì)應(yīng)的數(shù)字人。AI生成的數(shù)字人主播以“真人”形象呈現(xiàn)，不僅能根據(jù)既定文案和背景場(chǎng)景快速生成播報(bào)視頻，還可自動(dòng)學(xué)習(xí)真人的語言及動(dòng)作習(xí)慣，做到形象更逼真，表情更自然。

責(zé)任編輯：胡笑柯

關(guān)鍵詞：