三家公司如何运用智能视频理解进行构建

传统人工智能处理视频的方式往往使得长视频处理变得繁琐，且容易遗漏关键的毫秒级细节。本月早些时候，我们推出了智能视频理解功能来解决这一问题。为了真正检验这一能力，我们提前向 @mosaic_so、@PonderStudioAI 和 @tryrevyl 开放了最新的 Gemini Flash 模型访问权限，以验证其是否能降低成本并提升准确性。

以下是他们的构建案例：

@Mosaic_so 与视频后期制作

针对原始的、数小时长的影视制作视频剪辑，@mosaic_so 在他们的视频智能体 @motion_so 中构建了一个自适应路由层。其智能体并非将每一帧都塞入提示词，而是利用智能视频理解来建立索引、设定目标审查窗口，并仅提取编辑约束需要验证的高密度帧。这种智能方法将中位词元使用量减少了 97%，并且与静态处理相比，处理复杂编辑的能力几乎翻了一番。

@PonderStudioAI 与 B-Roll 素材筛选

@PonderStudioAI 没有采用复杂的感知循环，而是通过单次智能调用来评估影片运动，并从原始 B-Roll 素材中找出最佳的稳定镜头。借助智能视频理解，他们的工作实现了近乎完美的 0.967 F1 分数，同时词元成本降低了约 72%。

@TryRevyl 与移动端云开发

静态截图测试（通常在 1FPS 下进行）常常会错过掉帧和界面卡顿，但 @tryrevyl 通过将智能视频理解直接集成到其断言循环中解决了这一问题。Gemini 帮助他们的智能体在需要时更仔细地扫描动画，捕获快速出现的缺陷，使准确性提升了 65%。

0:27

立即开始

智能视频理解现已支持视频上传和 @YouTube 视频。它通过 @GoogleAIStudio 和 Gemini 企业智能体平台中的 Gemini API，由 Gemini 3.8 Flash、3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 提供支持。

请阅读开发者指南。