AI 剪辑师 CutClaw 来了，从此告别手动卡点
分类：AI资讯 浏览量：31
视频剪辑中音画精准对齐是行业长期难题，需从数小时素材中人工筛选既推进叙事又契合音乐节奏的片段。现有自动化方案各有缺陷：模板方法缺乏音视频同步，高光检测忽略音频和全局叙事，基于文本的方法则忽视音乐结构。
来自北京交通大学、大湾区大学 GVC 实验室的研究团队提出了CutClaw——一个模拟专业后期流程的多智能体（Agent）框架，旨在生成高质量、节奏同步的短视频。
🎬 核心创新
CutClaw 将视频剪辑形式化为一个智能体驱动的片段提取与组装问题，采用由粗到细的层级策略：
- 多模态素材解构：将视频切分为原子级镜头，利用多模态大语言模型提取语义属性
- Playwriter 智能体：以音乐结构作为叙事的时间锚点，生成镜头计划
- Editor 智能体：执行细粒度时间定位，寻找最优片段
- Reviewer 智能体：进行严格的质量验证，涵盖语义、时间、感知三个维度
📊 研究结果
研究团队构建了包含 5 部电影和 5 个长视频博客的评测基准，总计约 24 小时原始素材。结果显示：
- 视觉质量：平均分 77.6，高于 Time-R1 的 72.9
- 指令遵循：平均分 70.0，高于 NarratoAI 的 64.0
- 音视频和谐度：平均分 86.5，领先其他方法
在涉及 25 名参与者的用户研究中，CutClaw 各项投票率均超过第二名两倍以上，类人性指标获得 48.8% 的偏好。
🔗 相关链接
论文链接：https://arxiv.org/pdf/2603.29664
原文链接：https://hub.baai.ac.cn/view/53684
来源：智源社区
