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。
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。
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。
「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。
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」。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
| 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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
被问得最多的六个问题,答案尽量写具体,不写「视情况而定」。
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。
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。
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。
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」。
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。
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。
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。