从文本到视频：高效剪辑序列生成

在网络上分享的大量视频中，剪辑精良的视频总能吸引更多关注。然而，缺乏经验的用户很难制作出剪辑精良的视频，因为这需要专业知识与大量人工劳动。为满足非专业用户的需求，我们提出 Transcript-to-Video——一种弱监督框架，以文本作为输入，从海量镜头集合中自动创建视频序列。具体而言，我们提出内容检索模块与时序连贯模块，分别用于学习视觉-语言表示与建模镜头排序风格。为实现快速推理，我们引入一种高效搜索策略以进行实时视频剪辑排序。定量结果与用户研究表明，所提学习框架能够检索内容相关镜头，同时生成风格上合理的视频序列。此外，运行性能分析显示我们的框架能够支持实际应用。