本项目为AI Geeks、澳洲人工智能研究所、利物浦大学、拉筹伯大学的联合事情
。

我们提出了 PresentAgent，一个能够将长篇文档转化为带解说的演示视频、多模态智能体
。现有要领大多局限于天生静态幻灯片或文本摘要，而尊龙游戏人生就是博计划突破了这些限制，能够天生高度同步的视觉内容和语音解说，逼真模拟人类气概的演示
。

论文问题：PresentAgent: Multimodal Agent for Presentation Video Generation论文地点：https://arxiv.org/abs/2507.04036代码：https://github.com/AIGeeksGroup/PresentAgent

为了实现这一整合，PresentAgent 接纳了？榛鞒，如图 1 所示，包括以下办法：1. 系统性地对输入文档举行分段；2. 妄想并渲染幻灯片气概的视觉
；3. 使用大型语言模子与文本转语音模子天生具有上下文的语音解说；4. 最终将音频与视觉内容准确对齐，无缝组合成完整视频
。

图 1 PresentAgent 概览
。该系统以文档（如网页）为输入，经由以下天生流程：（1）文档处置惩罚、（2）结构化幻灯片天生、（3）同步字幕建设，以及（4) 语音合成
。最终输出为一个连系幻灯片和同步解说的演示视频
。图中紫色高亮部分体现天生历程中的要害中心输出
。

思量到这种多模态输出的评估难度，我们引入了 PresentEval，一个由视觉-语言模子驱动的统一评估框架，从以下三个要害维度周全打分：内容忠实度（Content Fidelity）、视觉清晰度（Visual Clarity）和观众明确度（Audience Comprehension）
。

评估接纳基于提醒的方法举行
。我们在一个全心整理的包括 30 对「文档-演示」样本的数据集上举行了实验验证，效果批注，PresentAgent 在所有评估指标上靠近人类水平的体现
。

这些效果展示了可控多模态智能体在将静态文实质料转化为动态、有用、易获取的演示名堂方面的重大潜力
。

尊龙游戏人生就是博主要孝顺如下：

提出新使命：首次提出「文档到演示视频天生」这一新使命，旨在从种种长文本自动天生结构化的幻灯片视频，并配有语音解说
。

设计 PresentAgent 系统：提出一个？榛焐蚣，涵盖文档剖析、结构感知幻灯片构建、讲稿天生及音视同步，实现可控、可诠释的视频天生历程
。

提出 PresentEval 评估框架：构建一个由视觉语言模子驱动的多维度评估机制，从内容、视觉与明确等维度对视频举行提醒式评分
。

构建高质量评测数据集：我们制作了一个包括 30 对真实文档与对应演示视频的数据集
。实验和消融研究显示，PresentAgent 不但靠近人类体现，且显著优于现有计划
。

演示视频评估基准（Presentation Benchmark）

图 2 我们评估基准中的文档多样性

为了支持文档到演示视频天生的评估，我们构建了一个多领域、多文体的真实比照数据集——Doc2Present Benchmark，其中每对数据都包括一个文档与一个配套的演示视频
。差别于以往只关注摘要或幻灯片的基准，尊龙游戏人生就是博数据包括：

商业报告产品手册政策简报教程类文档等

每篇文档均配有人工制作的视频解说，如图 2 所示
。

图 3 尊龙游戏人生就是博评测要领框架概览

与 paper2poster 的要领类似，我们设计了一个考试式评估框架，即通过视觉语言模子仅凭证天生视频（幻灯片+解说）回覆内容问题，以模拟观众的明确水平，同时我们还引入人工制作的视频作为参考标准，既用于评分校准，也作为性能上限比照
。

该评估框架由两部分组成：

客观考试评估：通过选择题丈量视频转达信息的准确性；主观评分评估：从内容质量、视觉/音频设计与明确清晰度等维度，对视频举行 1–5 分品级评分；这两类指标配合组成了对天生视频的周全质量评估系统，如图 3 所示
。

PresentAgent

图 4 PresentAgent 框架概览

本系统以多种类型的文档（例如论文、网页、PDF 等）为输入，遵照？榛奶焐鞒蹋

首先举行提要天生；检索出最适合的幻灯片模板；然后借助视觉-语言模子天生幻灯片息争说文稿；将解说文稿通过 TTS 转换为音频，并合成为完整的演示视频；为了评估视频质量，我们设计了多个维度的提醒语；最后将提醒输入基于视觉语言模子（VLM）的评分？，输出各个维度的指标效果
。

为了将长文本文档转化为带口语化解说的演示视频，我们设计了一个多阶段的天生框架，模拟人类准备幻灯片与演讲内容的流程，如图 4 所示
。该要领分为四步：

语义分段；结构化幻灯片天生；口语化解说天生；可视与音频组合为同步视频
。

该？榛杓浦С挚煽匦浴⒖哨故托院投嗄Ｌ云，兼顾高质量天生与细粒度评估
。下文将划分先容各？
。

实验

我们构建了一个包括 30 个长文档的测试集，每个文档配有人类手工制作的演示视频作为参考
。这些文档涵盖教育、产品说明、科研综述与政策简报等主题
。

所有天生与人工视频均使用 PresentEval 框架举行评估
。由于目今尚无模子可完整评估超 2 分钟的多模态视频，我们接纳分段评预战略：

客观评估阶段：使用 Qwen-VL-2.5-3B 回覆牢靠的多项选择题，评估内容明确；主观评分阶段：提取视频与音频片断，使用 Qwen-Omni-7B 针对内容质量、视觉/听觉质量和明确难度划分打分
。

主实验效果

在考试准确率方面，大大都 PresentAgent 的变体与人工基准效果（0.56）相当甚至更优
。其中 Claude-3.7-sonnet 取得了最高准确率 0.64，批注天生内容与源文档之间具有较强的一致性
。其他模子如 Qwen-VL-Max 和 Gemini-2.5-flash 得分略低（0.52），批注在事实对齐方面仍有提升空间
。

在主观质量方面，由人类制作的演示仍在视频和音频整体评分上坚持领先
。然而，一些 PresentAgent 变体体现出有竞争力的性能
。例如，GPT-4o-Mini 在视频内容和视觉吸引力方面获得了最高分（均靠近或抵达 4.8），而 Claude-3.7-sonnet 则在音频质量方面体现最为平衡（均分为 4.53）
。

有趣的是，Gemini-2.5-flash 在视觉质量上取得了最高得分（5.0），但在明确性方面较低，这反应了雅观性与清晰度之间的权衡
。这些效果突显了我们？榛焐鞒痰挠杏眯，以及统一评估框架 PresentEval 在捕获演示质量多个维度方面的适用价值
。

案例剖析

图 5 PresentAgent 自动天生演示视频示例

图 5 体现了一个完整的 PresentAgent 自动天生演示视频示例，其中一篇手艺博客被转化为带解说的演示
。系统识别出结构性片断（如小序、手艺诠释等），并为其天生了包括口语气概字幕和同步语音的幻灯片，涵盖了「并行化事情流」、「署理系统架构」等手艺主题，展示了系统在坚持手艺准确性的同时，以清晰、对话式方法转达信息的能力
。