基于多模态大模型驱动的静默视频自动解说生成方法及系统

本发明属于人工智能技术领域，公开了一种基于多模态大模型驱动的静默视频自动解说生成方法及系统，本发明通过将视频解说生成过程分解为多个功能模块(视频分割、提示词构建、视频理解、语音合成、视频融合等)，每个模块负责特定任务。这种模块化架构使得每个模块能够专注于自己的功能，优化了系统的性能和可维护性。同时，模块之间的协作保证了视频解说生成的高效性和准确性。系统通过提示词构建模块和视频理解模型的结合，能够基于视频内容精准生成解说词。特别是对解说词的字数和结构进行了严格控制，避免冗余和重复的解说，同时确保解说内容与视频内容高度契合。这一机制不仅提升了解说的专业性，还确保了音视频的流畅融合。