视频理解管线场景与QA与搜索
Twelve Labs产品化Marengo+Pegasus，VideoDB发布视频CRUD API，AI2 Molmo 2发布开放VLM检查点，Gemini长上下文原生处理小时级视频。2026年管线：场景分割、每场景字幕+嵌入、转录对齐、多向量索引、带(start,end)时间戳+帧预览的查询回答。摄取100小时，命中公开基准，测量计数和动作问题的幻觉。
问题
长视频QA是2026年规模下带宽最饥渴的多模态问题。Gemini 2.5 Pro可以原生读取2小时视频，但将100小时视频摄入可查询语料库仍需要场景级索引。生产形态结合场景分割（TransNetV2或PySceneDetect）、每场景VLM字幕（Gemini 2.5、Qwen3-VL-Max或Molmo 2）、转录对齐（Whisper-v3-turbo带词时间戳）和并排存储字幕、帧嵌入和转录的多向量索引。查询管线以(start, end)时间戳加帧预览回答。
基准公开（ActivityNet-QA、NeXT-GA）加你自己的100查询自定义集。计数和动作类型问题上的幻觉是已知困难失败类；顶点项目显式测量它。
核心架构
摄取管线
- 场景分割。 TransNetV2或PySceneDetect切分视频为场景。
- 每场景字幕。 VLM为每个场景生成文本描述。
- 转录对齐。 Whisper-v3-turbo带词级时间戳。
- 多向量索引。 字幕嵌入+帧嵌入+转录并排索引。
查询管线
- 检索。 混合搜索找到相关场景。
- 回答生成。 VLM基于检索场景+查询生成回答。
- 时间定位。 返回(start, end)时间戳+帧预览。
关键术语
| 术语 | 常见说法 | 实际含义 |
|---|---|---|
| Scene segmentation | ”场景分割” | 将视频切分为语义连贯的场景 |
| Temporal grounding | ”时间定位” | 定位视频中特定事件的时间范围 |
| Multi-vector index | ”多向量索引” | 并排索引多种模态的嵌入 |
| Transcription alignment | ”转录对齐” | 将语音转录与视频时间戳对齐 |
延伸阅读
- Twelve Labs — Marengo+Pegasus视频理解
- VideoDB — 视频CRUD API
- AI2 Molmo 2 — 开放VLM
- TimeLens-100K — 时间定位基准