MAViS：用于长序列视频叙事的多智能体框架

尽管近期进展不断，但长序列视频生成框架仍存在显著局限：辅助能力差、视觉质量次优、表达性有限。为缓解这些局限，本文提出MAViS，一种多智能体协作框架，旨在高效地将想法转化为视觉叙事。MAViS 在多个阶段组织专职智能体，包括剧本编写、镜头设计、角色建模、关键帧生成、视频动画和音频生成。在每个阶段，智能体遵循 "3E 原则"（Explore、Examine、Enhance），确保中间产出的完整性。鉴于当前生成模型的能力限制，我们提出剧本编写准则，以优化剧本与生成工具之间的兼容性。实验结果表明，MAViS 在辅助能力、视觉质量和视频表达性方面实现了最佳性能。其模块化框架进一步支持与多样化生成模型和工具的可扩展性。只需简要描述想法，MAViS 即可快速探索多样化的视觉叙事和创意方向，高效生成高质量、完整的长序列视频。据我们所知，MAViS 是唯一提供多模态设计输出（带叙事和背景音乐的视频）的框架。