从理解到参与：基于视觉语言模型（VLMs）的个性化制药视频片段生成

视觉语言模型（VLMs）有望通过实现智能、可扩展且自动化的多模态内容处理，引领制药行业的数字化转型。传统的异构数据模态（文本、图像、视频、音频和网络链接）人工标注容易出现不一致、质量下降以及内容利用效率低下的问题。长视频和音频数据的庞大体量进一步加剧了这些挑战（例如漫长的临床试验访谈和教育研讨会）。在此，我们引入了一种领域自适应的视频到视频片段生成框架，该框架集成了音频语言模型（ALMs）和视觉语言模型（VLMs）以生成精彩片段。我们的贡献包括三个方面： 可复现的 Cut & Merge 算法，具备淡入/淡出和时间戳归一化功能，确保平滑过渡和音视频对齐； 基于角色定义和提示注入的个性化机制，用于生成定制化输出（营销、培训、监管）； 平衡 ALM/VLM 增强处理的成本高效的端到端流水线策略。在 Video MME 基准（900）以及我们包含跨越 14 个疾病领域的 16,159 个制药视频的专有数据集上的评估表明，该方法实现了 3 到 4 倍的加速、4 倍的成本降低以及具竞争力的片段质量。除了效率提升外，我们还报告了我们的方法相较于最先进 VLM 基线（例如 Gemini 2.5 Pro）提升了片段连贯性得分（0.348）和信息量得分（0.721），突显了面向生命科学的透明、定制化抽取且支持合规的视频摘要的潜力。