StrAD：面向长视频音频描述生成的流式方法与基准

英文标题：StrAD: A Streaming Method and Benchmark for Audio Description Generation for Long-form Videos

StrAD 提出了一种面向长视频音频描述（AD）生成的流式方法与基准。音频描述会在自然音频停顿期间叙述与上下文相关的视觉事件，以帮助盲人和低视力人群理解视频内容。该研究聚焦于降低长视频音频描述生成的难度，并为相关方法提供评测基准。对开发者而言，这项工作有望推动更具可访问性的长视频理解与生成式 AI 应用。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB