再也不怕「视频会议」尬住了！谷歌CHI顶会发布新神器Visual Captions：让图片做你的字幕助手

最近几年，「视频会议」在工作中的占比逐渐增加，厂商也开发了各种诸如实时字幕等技术以方便会议中不同语言的人之间交流。

但还有一个痛点，要是对话中提到了一些对方很陌生的名词，并且很难用语言描述出来，比如食物「寿喜烧」，或是说「上周去了某个公园度假」，很难用语言给对方描述出的美景；甚至是指出「东京位于日本关东地区」，需要一张地图来展示等，如果只用语言可能会让对方越来越迷茫。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

最近，谷歌在人机交互顶级会议ACM CHI（Conference on Human Factors in Computing Systems）上展示了一个系统Visual Captions，介绍了远程会议中的一个全新视觉解决方案，可以在对话背景中生成或检索图片以提高对方对复杂或陌生概念的了解。

论文链接：https://research.google/pubs/pub52074/

代码链接：https://github.com/google/archat

Visual Captions系统基于一个微调后的大型语言模型，可以在开放词汇的对话中主动推荐相关的视觉元素，并已融入开源项目ARChat中。

在用户调研中，研究人员邀请了实验室内的26位参与者，与实验室外的10位参与者对系统进行评估，超过80%的用户基本都认同Video Captions可以在各种场景下能提供有用、有意义的视觉推荐，并可以提升交流体验。

设计思路

在开发之前，研究人员首先邀请了10位内部参与者，包括软件工程师、研究人员、UX设计师、视觉艺术家、学生等技术与非技术背景的从业者，讨论对实时视觉增强服务的特定需求和期望。

两次会议后，根据现有的文本转图像系统，确立了预期原型系统的基本设计，主要包括八个维度（记为D1至D8）。

D1：时序，视觉增强系统可与对话同步或异步展现

D2：主题，可用于表达和理解语音内容

D3：视觉，可使用广泛的视觉内容、视觉类型和视觉源

D4：规模，根据会议规模的不同，视觉增强效果可能有所不同

D5：空间，视频会议是在同一地点还是在远程设置中

D6：隐私，这些因素还影响视觉效果是否应该私下显示、在参与者之间共享或向所有人公开

D7：初始状态，参与者还确定了他们希望在进行对话时与系统交互的不同方式，例如，不同级别的「主动性」，即用户可以自主确定系统何时介入聊天D8：交互，参与者设想了不同的交互方法，例如，使用语音或手势进行输入

用动态的视觉效果增强语言交流的设计空间

根据初步反馈，研究人员设计了Video Caption系统，专注于生成语义相关的视觉内容、类型和来源的同步视觉效果。

虽然在探索性会议中的想法大多关注于一对一远程对话的形式，Video Caption同样也可以用于一对多的（例如，向观众进行演示）和多对多场景（多人会议讨论）的部署。

除此之外，最能补充对话的视觉效果在很大程度上取决于讨论的上下文，所以需要一个专门制作的训练集。

研究人员收集了1595个四元组，包括语言、视觉内容、类型、来源，涵盖了各种上下文场景，包括日常对话、讲座、旅行指南等。

比如用户说「我很想看看！」（I would love to see it!）对应于「面部微笑」（face smiling）的视觉内容、「表情符号」（emoji）的视觉类型和「公共搜索」（public search）的视觉源。

「她有没有告诉你我们去墨西哥的事？」对应于「来自墨西哥之旅的照片」的视觉内容、「照片」的视觉类型以及「个人相册」的视觉源。

该数据集VC 1.5K目前已开源。

数据链接：https://github.com/google/archat/tree/main/dataset

Seede AI

AI 驱动的设计工具

713 查看详情

视觉意图预测模型

为了预测哪些视觉效果可以补充对话，研究人员使用VC1.5K数据集基于大型语言模型训练了一个视觉意图预测模型。

在训练阶段，每个视觉意图解析为「 of from 」的格式。

基于该格式，系统可以处理开放词汇会话和上下文预测视觉内容、视觉源和视觉类型。

这种方法在实践中也优于基于关键词的方法，因为后者无法处理开放式词汇的例子，比如用户可能会说「你的艾米阿姨将在这个星期六来访」，没有匹配到关键词，也就无法推荐相关的视觉类型或视觉来源。

研究人员使用VC1.5K数据集中的1276个（80%）样本来微调大型语言模型，其余319个（20%）示例作为测试数据，并使用token准确率指标来度量微调模型的性能，即模型正确预测的样本中token正确的百分比。

最终模型可以实现97%的训练token准确率和87%的验证token准确率。

实用性调研

为了评估训练的视觉字幕模型的实用性，研究团队邀请了89名参与者执行846项任务，要求对效果进行打分，1为非常不同意（strongly disagree）、7为非常同意（strongly agree）。

实验结果显示，大多数参与者更喜欢在对话中看到视觉效果（Q1），83% 给出了5-有些同意（somewhat agree）以上的评价。

此外，参与者认为显示的视觉效果是有用的且信息丰富的（Q2），82%给出了高于5分的评价；高质量的（Q3），82%给出了高于5分的评价；并与原始语音相关（Q4，84%）。

参与者还发现预测的视觉类型（Q5，87%）和视觉来源（Q6，86%）在相应对话的背景下是准确的。

研究参与者对可视化预测模型的技术评价结果进行评分

基于该微调的视觉意图预测模型，研究人员在ARChat平台上开发了Visual Captions，可以直接在视频会议平台（如Google Meet）的摄像头流上添加新的交互式小部件。

在系统工作流程中，Video Captions可以自动捕获用户的语音、检索最后的句子、每隔100毫秒将数据输入到视觉意图预测模型中、检索相关视觉效果，然后提供推荐的视觉效果。

Visual Captions的系统工作流

Visual Captions在推荐视觉效果时提供三个级别的可选主动性：

自动显示（高主动性）：系统自主搜索并向所有会议参与者公开显示视觉效果，无需用户交互。

自动推荐（中等主动性）：推荐的视觉效果显示在私人滚动视图中，然后用户点击一个视觉对象可以进行公开展示；在这种模式下，系统会主动推荐视觉效果，但用户决定何时显示以及显示什么。

按需建议（低主动性）：用户按下空格键后，系统才会推荐视觉效果。

研究人员在对照实验室研究（n = 26）和测试阶段部署研究（n = 10）中评估了Visual Captions系统，参与者发现，实时视觉效果有助于解释不熟悉的概念、解决语言歧义，并使对话更具吸引力，从而促进了现场对话。

参与者的task load指数和Likert scale评级，包括无VC、以及三个不同主动性的VC

与会者还报告了在现场进行交互中的不同的系统偏好，即在不同的会议场景中使用不同程度的VC主动性

以上就是再也不怕「视频会议」尬住了！谷歌CHI顶会发布新神器Visual Captions：让图片做你的字幕助手的详细内容，更多请关注其它相关文章！

# 就可以  # 网站排名优化管用易速达  # 宜都seo引流推广  # 汤阴县网站制作推广  # seo优化按天收费seo顾问  # 午夜不用充钱的seo  # 海口网站建设教程视频  # 网站优化三大建议包括  # 湘潭移动端网站建设  # 中医养生营销推广  # 最贵网站建设  # 多语言  # 谷歌  # 开源  # 新能源  # 很难  # 墨西哥  # 出了  # 住了  # 视频会议  # 关键词  # type  # captions  # 视频 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： 美图秀秀“AI 扩图”功能上线，可根据图像生成更大画幅  标小智LOGO推出AI公司起名生成器“Name.GPT”  AMD在AI方面奋起直追，与英伟达的差距缩小了吗？  小艺将具备大模型能力，鸿蒙4加速AI普及之路  “痴迷”元宇宙，魔珐科技想做什么？  浪潮KaiwuDB：“快人一步” - 打造更懂物联网的数据库  Moka AI产品后观察：HR SaaS迈进AGI时代  中国联通发布图文AI大模型，可实现以文生图、视频剪辑  专家解读国家网信办深度合成服务算法备案信息公告：不等于百度、阿里、腾讯等生成式AI产品获批  静安大宁功能区企业云天励飞亮相2025世界人工智能大会，秀出AI硬实力！  谷歌AudioPaLM实现「文本+音频」双模态解决，说听两用大模型  华为云发布华为云盘古模型3.0和升腾AI云服务，亮点亮相2025华为开发者大会  一句话搞定数据分析，浙大全新大模型数据助手，连搜集都省了  “电碳”技术提升碳排放监测精度  AI+游戏首度大范围公布实际应用成果，AI全面来临还有多远？  微幼科技晨检机器人与人工晨检相比，有何优势  AI室内设计软件流行，室内设计行业如何应对效率变革  OpenAI 引入个性化指令功能，消除对话中的重复偏好与信息  Dubbo负载均衡策略之 一致性哈希  Goodnotes 6推出，带来多项全新AI功能，让电子笔记更智能  Zoom远程会议应用：AI培训需经用户授权  大疆 DJI Mini 4 Pro 无人机曝光：流线设计，有望迎来功能性提升  网易云音乐和小冰推出AI歌手音乐创作软件，首发内置12名AI歌手  一次购买全年省心，入手科沃斯这几台机器人，省下时间就是金钱  阿里云连续两年进入Gartner云AI开发者“挑战者象限”  羊驼家族大模型集体进化！32k上下文追平GPT-4，田渊栋团队出品  沐曦首款AI推理GPU亮相：INT8算力达160TOPS！  XREAL Beam 投屏盒子正式发布：支持“可悬停 AR 空间屏”  深圳人工智能企业超1900家  谷歌推出新 AI 工具 Imagen Editor，一句话对图片二次创作  当TS遇上AI，会发生什么？  人工智能产业竞跑“未来赛道” 创新发展放大“赋能”效应  鉴智机器人发布基于地平线征程5的标准视觉感知产品  华为即将推出HarmonyOS 4，再度领先行业的AI技术  实践J*a开发，构建高性能的MongoDB数据迁移工具  "探索Meta发布的Quest MR/VR视频录制与拍摄指南"  “图壤·阅读元宇宙”亮相北京国际图书博览会  腾讯机器狗进化：通过深度学习掌握自主决策能力  比尔盖茨：AI确实存在风险，但可控  类GPT模型训练提速26.5%，清华朱军等人用INT4算法加速神经网络训练  今年，全球客服中心支出将增长 16.2%，迎接对话式 AI 的浪潮，根据 Gartner 报告  一文读懂自动驾驶的激光雷达与视觉融合感知  微软 GitHub Copilot 编程助手被投诉：换口吻改写公共代码来躲版权  AI生成新闻网站数量激增，正在疯狂赚取广告收入  WHEE安装教程  李开复官宣新公司「零一万物」，进军 AI 2.0  鸿蒙智能座舱的AI大模型革新，引领智能座舱领域的变革吗？  小米首次曝光 64 亿参数的 MiLM-6B AI 大模型，或将应用于小爱同学  成功孵化首个大型模型解决方案的重庆人工智能创新中心  中科院自研新一代 AI 大模型“紫东太初 2.0”问世