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/StoryTellerarXiv技术论文：https://arxiv.org/pdf/2411.07076StoryTeller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。 
