近日，依託強大人工智能技術和海量數據資源優勢，百度研究院孵化出業界首個支撐通用型、大規模生產的智能視頻合成平臺VidPress，用戶僅需一鍵輸入新聞圖文內容鏈接，其餘全部工作則交由平臺自動化完成，視頻素材智能化聚合、解說詞生成、語音合成、音視頻對齊和渲染導出整套製作流程在9分鐘以內能夠高效實施，生產效率和質量得到大幅提升，完美解決視頻生產過程中人力成本、技術難度、素材有限、無法大規模生產等諸多難題，助力5G時代數字內容生產創作及視頻化升級，實現信息更加普惠。
根據好看視頻使用數據, 目前生成一個時長2分鐘左右的720p視頻, 所需時長的中位數僅為2.5分鐘；平臺每天可以生產500到1000條視頻，整個過程從熱點發現到最終的視頻生成完全無人化、自動化；此外，VidPress所生成的視頻播放完成率比好看視頻的大盤高出15個百分點，一些熱門視頻已經有了85萬的播放量，足見AI新聞視頻深受觀眾喜愛。
用戶輸入圖文內容後, 例如輸入某條新聞事件的鏈接，平臺將基於NLP模型進行語義理解, 並通過主體模型聚合相關新聞素材，以及從同一主題相關新聞裡抽取更多的素材及其語義表徵，充分保障素材內容的豐富度和相關性。
緊接著，解說詞語音生成和素材深度挖掘同步啟動。一方面，平臺基於多種語言模型對原文進行處理，自動生成一篇字數符合要求且適合視頻呈現的解說詞，並通過百度文字轉音頻服務(TTS)合成解說詞語音，效果媲美播音員；與此同時, 平臺會根據對原文的理解, 通過自有視頻庫和百度搜索引擎搜索，智能化聚合最新最適合呈現的內容，並基於人臉識別、物體識別、視頻內容理解等計算機視覺服務進一步解析和理解，自動剪切和精選視頻素材。
上述兩個步驟完成後，平臺將基於解說詞音軌時間軸和所聚合的媒體片段，進入音視頻對齊剪輯過程。百度升級後的第二代時間軸對齊算法，其關鍵在於選取出文本中的興趣點, 再將媒體片段與興趣點進行相關度打分，將優質媒體片段優先放入時間軸，以此保證視頻的整體觀感和用戶興趣的持續激發。當時間軸生成完畢之後，數據轉交給渲染器，從而生成一個完成的視頻，整合過程耗時可以保證在9分鐘以內，極其高效。
上游新聞·重慶晚報記者 顧立 實習生 玉浩
