这几天，AI 视频领域异常地热闹，其中 OpenAI 推出的视频生成大模型 Sora 更是火出了圈。而在视频剪辑领域，AI 尤其是大模型赋能的 Agent 也开始大显身手。
随着自然语言被用来处理与视频剪辑相关的任务，用户可以直接传达自己的意图，从而不需要手动操作。但目前来看，大多数视频剪辑工具仍然严重依赖手动操作，并且往往缺乏定制化的上下文帮助。因此，用户只能自己处理复杂的视频剪辑问题。
关键在于如何设计一个可以充当协作者、并在剪辑过程中不断协助用户的视频剪辑工具？在本文中，来自多伦多大学、 Meta（Reality Labs Research）、加州大学圣迭戈分校的研究者提出利用大语言模型（LLM）的多功能语言能力来进行视频剪辑，并探讨了未来的视频剪辑范式，从而减少与手动视频剪辑过程的阻碍。
- 论文标题：LAVE: LLM-Powered Agent Assistance and Language Augmentation for Video Editing
- 论文地址：https://arxiv.org/pdf/2402.10294.pdf
具体而言，研究者推出了视频剪辑工具 LAVE，它具备了一系列由 LLM 提供的语言增强功能。LAVE 引入了一个基于 LLM 的规划和执行智能体，该智能体可以解释用户的自由格式语言命令、进行规划和执行相关操作以实现用户剪辑目标。智能体可以提供概念化帮助（如创意头脑风暴和视频素材概览）和操作帮助（包括基于语义的视频检索、故事板和剪辑修剪）。
为了使这些智能体的操作顺利进行，LAVE 使用视觉语言模型（VLM）自动生成视频视觉效果的语言描述。这些视觉叙述使 LLM 能够理解视频内容，并利用它们的语言能力协助用户完成剪辑。此外，LAVE 提供了两种交互视频剪辑模式，即智能体协助和直接操作。双重模式为用户提供了灵活性，并允许他们按需改进智能体操作。
至于 LAVE 的剪辑效果怎么样？研究者对包括剪辑新手和老手在内的 8 名参与者进行了用户研究，结果表明，参与者可以使用 LAVE 制作出令人满意的 AI 协作视频。
值得关注的是，这项研究的六位作者中有 5 位华人，包括一作、多伦多大学计算机科学博士生 Bryan Wang、Meta 研究科学家 Yuliang Li、Zhaoyang Lv 和 Yan Xu、加州大学圣迭戈分校助理教授 Haijun Xia。
LAVE 用户界面（UI）
我们首先来看 LAVE 的系统设计，具体如下图 1 所示。
LAVE 的用户界面包含三个主要组件，分别如下：
- 语言增强视频库，显示带有自动生成的语言描述的视频片段；
- 视频剪辑时间轴，包括用于剪辑的主时间轴；
- 视频剪辑智能体，使用户与一个会话智能体进行交互并获得帮助。
设计逻辑是这样的：当用户与智能体交互时，消息交换会在聊天 UI 中显示。当进行相关操作时，智能体对视频库和剪辑时间轴进行更改。此外，用户可以使用光标直接对视频库和时间轴进行操作，类似于传统的剪辑界面。
语言增强视频库
语言增强视频库的功能如下图 3 所示。
与传统工具一样，该功能允许剪辑播放，但会提供视觉叙述，即为每个视频自动生成文本描述，包括语义标题和摘要。这些标题可以帮助理解和索引剪辑，摘要则提供了每个剪辑的视觉内容的概述，帮助用户形成自身编辑项目的故事情节。每个视频下方都会显示标题和时长。
此外，LAVE 使用户可以利用语义语言查询来搜索视频，检索到的视频会在视频库中显示并按相关性排序。这一功能必须通过剪辑智能体来执行。
视频剪辑时间轴
从视频库中选定视频并将它添加到剪辑时间轴后，它们会显示在界面底部的视频剪辑时间轴上，如下图 2 所示。其中，时间轴上的每个剪辑都由一个框表示，并显示三个缩略图帧，分别是开始帧、中间帧和结束帧。
在 LAVE 系统中，每个缩略图帧代表剪辑中一秒钟的素材。与视频库一样，每个剪辑的标题和描述都会提供。LAVE 中的剪辑时间轴具有两个关键功能，即剪辑排序和修剪。
其中在时间轴上进行剪辑排序是视频剪辑中的一项常见任务，对于创建连贯的叙述非常重要。LAVE 支持两种排序方法，一是基于 LLM 的排序利用视频剪辑智能体的故事板功能进行操作，二是手动排序通过用户直接操作来排序，拖放每个视频框来设置剪辑出现的顺序。
修剪在视频剪辑中也很重要，可以突出显示关键片段并删除多余内容。在修剪时，用户双击时间轴中的剪辑，打开一个显示一秒帧的弹出窗口，如下图 4 所示。
视频剪辑智能体
LAVE 的视频剪辑智能体是一个基于聊天的组件，可促进用户和基于 LLM 的智能体之间的交互。与命令行工具不同，用户可以使用自由格式的语言与智能体进行交互。该智能体利用 LLM 的语言智能提供视频剪辑辅助，并提供具体的响应，以在整个编辑过程中指导和帮助用户。LAVE 的智能体协助功能是通过智能体操作提供的，每个智能体操作都涉及执行系统支持的编辑功能。
总的来说，LAVE 提供的功能涵盖了从构思和预先规划到实际编辑操作的整个工作流程，但该系统并没有强制规定严格的工作流程。用户可以灵活地利用与其编辑目标相符的功能子集。例如，具有清晰编辑愿景和明确故事情节的用户可能会绕过构思阶段并直接投入编辑。
后端系统
该研究采用 OpenAI 的 GPT-4 来阐述 LAVE 后端系统的设计，主要包括智能体设计、实现由 LLM 驱动的编辑功能两个方面。
智能体设计
该研究利用 LLM（即 GPT-4）的多种语言能力（包括推理、规划和讲故事）构建了 LAVE 智能体。
LAVE 智能体有两种状态：规划和执行。这种设置有两个主要好处：
- 允许用户设置包含多个操作的高级目标，从而无需像传统命令行工具那样详细说明每个单独的操作。
- 在执行之前，智能体会将规划呈现给用户，提供修改的机会并确保用户可以完全控制智能体的操作。研究团队设计了一个后端 pipeline 来完成规划和执行流程。
如下图 6 所示，该 pipeline 首先根据用户输入创建行动规划。然后，该规划从文本描述转换为函数调用，随后执行相应的函数。
实现 LLM 驱动的编辑功能
为了帮助用户完成视频编辑任务，LAVE 主要支持五种由 LLM 驱动的功能，包括：
- 素材概述
- 创意头脑风暴
- 视频检索
- 故事板
- 剪辑修剪
其中前四个可通过智能体来访问（图 5），而剪辑修剪功能可通过双击时间轴中的剪辑，打开一个显示一秒帧的弹出窗口（图 4）。
其中，基于语言的视频检索是通过向量存储数据库实现的，其余的则通过 LLM 提示工程（prompt engineering）来实现。所有功能都建立在自动生成的原始素材语言描述之上，包括视频库中每个剪辑的标题和摘要（图 3）。研究团队将这些视频的文字描述称为视觉叙述（visual narration）。
感兴趣的读者可以阅读论文原文，了解更多研究内容。
