
日本NTT Docomo于10月23日宣布推出“个性化视频自动构成技术”。该技术基于视觉语言模型(VLM),能够结合视频和图像内容,理解并自动生成符合每位观众偏好的直播视频。
具体来说,观众可以预先设定自己喜欢的表演者的特写画面,AI则会自动平衡这些特写与舞台全景及精彩瞬间的画面,生成最适合观众观看习惯的直播内容。
该技术将在11月18日至20日及24日、25日于日本NTT武藏野研究中心举办的“NTT研发论坛”上展出,届时还将结合NTT的音响技术“音响XR”进行体验演示。
未来,NTT Docomo计划进一步提升该技术的性能,除了音乐会直播外,还将探索其在体育赛事观看以及结合XR/AR眼镜的沉浸式观看体验中的应用。同时,公司也在为6G时代的大容量、低延迟通信环境下,向大量用户提供个性化高质量视频和音频体验的研究开发做准备。


