求问各位大佬们， [AI 总结视频内容] 这方面发展到哪一步了？

[realzzz]

比如给一个旅游攻略视频/游戏讲解视频等，可以输出总结性的文字内容吗？

[lifei6671]

感觉应该是提取视频音轨，调用声音转文字工具，再把文字扔给大模型进行总结吧。
不知道现在有没有直接识别视频的大模型。

[realzzz]

@lifei6671 这样的话，对于一些关键信的息帧（比如视频里也有一些总结的文字）是不是会容易忽略

[lifei6671]

@realzzz 如果你说的是视频本身画面里的文字确实会丢掉。但是一帧一帧的解析画面的话，那 token 消耗的是天量呀。

[realzzz]

@lifei6671 确实~