发现TV AI 标注可查
2026 · 内容发现观察

发现TV:把 AI 放在内容发现的入口,而不是结论的位置

一部片子被看见,往往不是因为它被推荐了,而是因为有人先替它把「它是什么」说清楚了。发现TV 关心的正是这一段:AI 怎样帮内容被描述、被归类、被找到,以及哪些判断不能交给它。

三块试验区只做同一件事:提供线索,不下结论。本页写清它们的用法、能验证的部分、做不到的部分,也写清我们为什么拒绝以假乱真的合成影像。

01 / 用途

AI 在内容发现里能做的三件事

三件事都不生成画面,只处理「描述、连接、转写」,把人工初筛从逐条看变成逐条核。

把画面描述整理成结构化的内容标签

把「说不出」变成「说得清」

一段三分钟的素材,人看完能记住情绪、场景和人物关系,这些印象却很难变成检索条件。AI 可以先做粗描:什么环境、镜头是推还是摇、声音安静还是嘈杂,再压成十几个可用标签。

它在流程里承担的是起草,不是判决。起草错了,改动成本很低;判决错了,观众会记住很久。

AI 标注初稿由机器给,定稿由编辑签
相似内容之间的关联关系示意

在片库之间搭桥

「相似」有两种来源:一种来自内容本身,题材、节奏、色调、叙事密度接近;一种来自人的行为,同一批人看完甲又点开乙。前者能解释为什么像,后者能解释为什么此刻被需要。

两路信号叠在一起,推荐才不只是一个没法追问的分数。只有分数、没有理由的推荐,我们不做。

AI 标注每条推荐附一句可读理由
把对白与旁白转写成可检索的文字

让声音变成可检索的文字

字幕原本是给听障观众和无声场景用的,顺带成了检索的地基。有了转写文本,一句台词、一个地名、一段旁白的措辞都能被搜到,发现的范围也从「标题和简介」扩到了「片子里说过的话」。

AI 标注转写准确率因口音而波动
02 / 试验区一

标签:先分清事实、主题与感受

标签混乱的根源,很少是模型不够强,多半是「谁有资格定这一层」没讲清。我们把它拆成三层,各层责任不同。

三层标签,责任不一样

事实层最容易标准化:语言、时长档、画面环境、人物大致数量,机器初判够用,人工按比例抽检。主题层开始有歧义,同一部片子可以既是悬疑又是家庭,机器给候选,编辑定主次。感受层不该交给机器,节奏松紧、情绪冷暖跟观众状态强相关,只能由人写。

三层混在一起标注,就会出现那种自相矛盾的条目:标签写着「轻喜剧」,简介却在讲丧事。问题不在数据,在流程——没人规定哪一层谁说了算。

同义词表比模型更影响体验

同一件事被写成五个标签,是最常见的浪费。都市情感、现代情感、城市恋曲,在后台是三个分类,在观众眼里是一件事。收进同义词表,检索才算真的通了。这项工作机器能做一半:把编辑确认过的合并结果反过来当训练样本,下一轮归并的准确率会上升。

标签要能被解释

每条自动标签都保留来源:画面、对白、简介,还是编辑手写。观众点开详情能看到这行小字,复核时也能一眼看出该回看哪一段。标签得有出处。

  • 自动标签默认带「待复核」状态,未复核不进前台推荐池。
  • 超过一定时限未复核的标签自动降权,避免旧判断长期生效。
  • 编辑手动锁定的标签,优先级高于任何自动结果。
03 / 试验区二

相似推荐:相似不等于同款

推荐最容易犯的错,是把「相似」做成「重复」:看了三部港口悬疑就一直喂港口悬疑,人会以为片库只有这一种。

为什么同款推荐会把人困住

纯行为信号擅长收敛,不擅长展开:它会把最近一次点击放大成长期偏好。可兴趣本来带着情境,周五晚上想看紧的,周日下午想看松的。只按同款推,等于把情境抹平。

我们的做法是把推荐位留一个反例:一组六条里,有一条故意偏离主方向,偏的幅度不大,可能是同一个题材换个节奏,也可能是同一个情绪换个时代。这条的位置固定,不参与排序竞争。

推荐理由要能读懂

每条推荐下面挂一句人话:「因为你看过同一位编剧参与的作品」「因为标签里同时有长镜头与低饱和」。理由是让人能反驳的入口:看到理由,才知道该不该信。

冷启动先靠内容,再靠行为

  1. 新条目没有任何观看数据时,只用内容特征找邻接,先把位置占住。
  2. 积累到少量行为后,内容与行为按权重混合,权重随数据量逐步向行为倾斜。
  3. 行为数据出现明显偏离时,回退到内容特征,避免一次误点带跑整条链路。

这套顺序很朴素,但它保证了一件事:任何一条推荐,都能说清它是怎么来的。说不清的,就不上。

04 / 试验区三

字幕辅助:转写只是第一步

字幕辅助最容易被低估:文字准不准,影响的是能不能搜到;时间轴准不准,影响的是看得下去。

三个用途,三种精度要求

用于检索时,容错最高:只要关键词能命中,个别错字不致命。用于无障碍观看时,容错最低:错一个字,听障观众理解的就是另一句话。用于校对时,介于两者之间,但要能定位到具体时间点,否则改不动。

同一次转写,按用途分三档使用,比强求一份「完美字幕」现实。先出检索版,人工校对后再生成观看版,两版分开存放,互不覆盖。

专名与术语是最容易出错的地方

模型没见过的人名、地名、行业词,第一遍几乎必错,而且错得有规律:同音替代、字序颠倒。把这些错误收成站点词表,转写时优先匹配,能消掉大部分重复错误。词表靠人工维护,没有捷径。

时间轴对齐比错字更影响观感

字幕早出现半秒,观众会先读到笑点,再看到笑点;晚出现半秒,情绪已经过去了。自动对齐在连续对白、多人抢话、背景音乐盖住人声的段落里最容易散架。这些段落我们要求人工重排,不做自动放过。

  • 连续对白超过一定密度,强制人工检查断句位置。
  • 多人重叠说话的段落,允许拆成两行并标注说话人,不强行合并。
  • 歌手演唱段落与画外旁白分开处理,不共用一套时间轴。
05 / 边界

能力边界:AI 做不好什么

写边界不是免责声明,是工作分配。知道哪一步会掉链子,才知道人该站在哪一步上。

这张表是复核时真在用的:左边写任务,中间写目前能做到什么程度,右边写这一步还得靠人做什么。

2026 年复核口径 · 每季度重估一次
任务目前能做到的程度仍然需要人做
反讽与玩笑只能读字面,容易把调侃标成负面情绪回看上下文,判断语气与人际关系
方言与抢话转写准确率明显下降,断句容易错位人工校对该段落,重排时间轴
跨段落主题长素材容易被局部片段带偏,结论偏窄看完整片再给主题与分级判断
授权状态无法从画面推断授权范围,也不该推断只认人工登记的凭证与授权期限
画面是否合成可以给出可疑提示,但存在漏判与误判结合来源核查,不以提示作为结论

这张表有前提:模型会变,边界位置也会变。我们每季度重估一次,把稳定的任务移出人工全检,把新出现的偏差加回来。它不是一次写定的文件,更像一张随手更新的排班表。

06 / 复核

人工复核:让错误有地方停下来

复核不是给算法打补丁,而是在流程里设几个必经卡口:错误必须在这里被看见一次。

四步复核,顺序不能换

  1. 抽样回看。每批按固定比例回看,机器置信度低的条目全量回看,不设例外。
  2. 双人确认。涉及分级提示、授权状态、肖像使用的条目,由两个人分别确认,意见不一致就挂起。
  3. 改动留痕。谁改了什么、为什么改,写进同一条记录,后面的复核能看到前一次的理由。
  4. 结论回灌。把复核结论当成下一轮的对照样本,同类错误第二次出现要能查到原因。

挂起比放过更常见

复核岗最常做的动作是挂起,不是通过。标签说不清来历、时间轴对不上、分级提示找不到依据,先挂起来等人补材料。挂起率太低,反而说明复核在走过场。

07 / 立场

不做深度合成:这条线不移动

技术能做的事情很多,能做的事情和该做的事情之间,隔着一条我们自己画的线。

这类以假乱真的人物合成,通常被叫作深度伪造。我们不制作、也不传播,不是做不到,而是它一旦流出去,代价由被合成的人承担,收益却归制作的人。

  • 01
    不用真人肖像做未授权合成包括「看起来很像」的擦边做法。像与不像的判断权,不在制作方手里。
  • 02
    AI 参与的部分必须标注标签、描述、字幕,哪一段由机器起草,读者能查到。标注不是免责,是交代。
  • 03
    不写以假乱真为目的的操作说明不提供让影像骗过他人眼睛的方法,也不做「教你分辨不出来」的内容。
  • 04
    来源与授权登记在前,技术处理在后顺序反过来,后面所有环节都会变成补救。
标注与来源登记的工作界面示意
示意图:来源登记与标注信息在同一个视图里并排显示,方便复核时对照。
08 / 片单

八条精选,附「AI 标注」说明

这八条用来演示标签与推荐结果长什么样:片子是虚构的,标签流程是真的。

说明:以下片名、简介与标签均为栏目写作虚构,不对应任何真实作品、人物或机构。标注「AI 标签建议」的条目,标签来自试验区流程的机器初稿,最终由编辑定稿;未标注的为编辑直接撰写。

港口夜色题材的虚构影片封面示意

雾港回声

一段被潮水冲回来的录音,让港口小城的旧事重新浮上来。三个当事人,三种说法。

悬疑夜色低饱和AI 标签建议
老屋与夏日光线题材的虚构影片封面示意

第七个夏天

老屋要拆的最后一个月,三代人各自藏着一件没说出口的事,谁都不肯先开口。

家庭成长明亮AI 标签建议
图纸与手作工具题材的虚构纪录片封面示意

纸上的航线

一位制图师用三年时间,把一条消失的河道重新画回纸上,也把沿岸的人找了回来。

纪录手作安静AI 标签建议
玻璃温室与夜景题材的虚构影片封面示意

玻璃温室

植物园的夜班管理员,和一个总在闭馆前出现的陌生人,隔着玻璃说了整整一个季节的话。

剧情城市克制AI 标签建议

低频

一支没红过的乐队,在最后一次巡演里决定要不要改歌。改了可能红,不改就散。

音乐群像紧凑

山那边的邮差

一条每周只走一次的山路,和一个记得所有门牌号的人。信越来越少,路还在走。

公路人情温暖

编号之外

一份被反复退回的报表,牵出办公室里没人愿意提的名字。数字不会说谎,填数字的人会。

职场悬疑冷调

慢半拍

一个总比别人慢半拍的人,在快节奏的城市里慢慢找到了自己的节奏,还带跑了一整条街。

生活喜剧轻快
09 / 问答

常见问题

被问得最多的六个问题,答案尽量写具体,不写「视情况而定」。

AI 会替编辑决定一部片子好不好吗

不会,也不该。系统算的是相似度、标签匹配和行为关联,回答「它像什么」「谁会想看」。好不好是带价值判断的结论,需要有人署名。

标签标错了怎么办

每条标签都带来源与复核状态,标错时能定位到是画面判断错了、对白理解错了,还是同义词表没收录。改动留在原记录里,同类错误第二次出现要能查到原因。观众反馈进复核队列,不单独生效。

相似推荐会不会越推越窄

会,如果只按同款推。所以每组固定留一条偏离主方向的条目,并按题材、节奏、时代设多样性下限。下限是硬约束,分数再高也不能突破。

字幕辅助能直接当成品字幕用吗

不能。机器转写的第一版只用于检索,要给人看必须过人工校对,重点是专名、术语、抢话断句和时间轴。检索版与观看版分开存放,避免「先凑合用」变成「一直用」。

你们怎么看待用 AI 做「看着像真的」的影像

不做。不制作、不传播以假乱真的人物合成影像,也不提供让影像骗过眼睛的操作说明。技术上能做到,和该不该做,是两个问题。

AI 参与的部分,读者能看出来吗

能。凡是机器起草的标签、描述、字幕,详情里都有「AI 标注」,并注明是初稿还是已复核。标注不是免责,是交代分工。

10 / 关于

关于本站

发现TV 是一个围绕内容发现做的观察页面:不提供播放,也不做片库搬运,只把内容描述清楚、把发现路径铺平。页面上的片名与简介均属栏目写作虚构,用来演示标签与推荐长什么样。

我们关心 AI 的部分很具体:能不能让一条内容被更准确地描述,能不能把隔得很远的东西连起来,能不能让一句说过的话被搜到。这些都有可验证的答案,也都有明确的失败案例;写失败案例,比讲漂亮话有用。

不夸大的意思是:不承诺准确率,不承诺覆盖范围,也不承诺「懂你」。我们更愿意写清哪一步会出错、出错之后谁来改、改了之后怎么留痕。