原始名称记载: 脸萌有限公司

本公开涉及为视频添加说明文字，提供了用于生成视频说明文字和注释的技术和相关流水线。一个方面包括一种为视频添加说明文字的方法，所述方法包括：接收待添加说明文字的视频；将所述视频分割成多个片段；对于每个片段，生成包括所述片段中的多个帧的图像网格；对于每个图像网格，使用生成式多模态模型来生成描述图像网格的图像网格说明文字；以及使用所述生成式多模态模型或生成式语言模型来合并所述图像网格说明文字，从而为所述视频生成合并说明文字。

本公开的实施例涉及用于视频生成的自回归语言模型。提供了使用视频生成模型自回归地生成视频的实施方式。一方面包括一种方法，所述方法包括：执行包括第一阶段和第二阶段的渐进式多阶段训练过程，其中：第一阶段包括训练用以执行文本到图像生成的视频生成模型；并且第二阶段包括使用包括带标签的视频‑文本对的训练数据集来进一步训练视频生成模型，其中进一步训练视频生成模型包括：针对每个带标签的视频‑文本对：使用文本标记化器和带标签的视频‑文本对的文本注释来生成至少一个文本标记；使用视频标记化器和带标签的视频‑文本对的视频来生成多个视频标记；使用至少一个文本标记来自回归地生成帧标记；以及使用从帧标记和视频标记计算的损失值来训练视频生成模型。

本公开的实施例涉及用于标记视频的方法、设备、和计算机可读介质。在该解决方案中，用户可以观看具有指示第一视频被第一用户标记的标签的第一视频，其中第一视频由第二用户基于由第一用户创建的第一媒体内容来生成。用于表示第一视频的页面可以基于与标签相关联的操作而被切换到第一用户的主页，其中第一用户的主页可以显示由第一用户标记的一个或多个视频。这样，标签可以关联于第一视频而被显示，使得可以查看第一用户对第一视频的认可，并且因此颂扬第二用户的贡献。

提供了与利用机器学习技术的媒体内容编辑架构相关的示例。一个方面包括一种用于媒体内容编辑的方法，该方法包括：从用户接收媒体内容；从用户接收对媒体内容的编辑请求；并且通过以下项基于编辑请求来编辑媒体内容，以生成经编辑的媒体内容：从提示词池中取回提示词，其中经取回的提示词是基于编辑请求来选择的；使用大语言模型解析经取回的提示词和编辑请求，以生成要对媒体内容执行的一个或多个编辑动作；并且对媒体内容执行一个或多个编辑动作以生成经编辑的媒体内容。