使用URL2Video可以將網(wǎng)頁快速生成有創(chuàng)意的短視頻

機(jī)器學(xué)習(xí)可以實現(xiàn)對網(wǎng)頁內(nèi)容的理解，并選取關(guān)鍵對象生成有趣的短視頻。Google研究團(tuán)隊通過使用URL2Video可以將網(wǎng)頁快速生成有創(chuàng)意的短視頻。包括百度、快手、字節(jié)跳動等都有相關(guān)的短視頻自動化生產(chǎn)工具，隨著技術(shù)的成熟，將有大量的短視頻出自自動化工具之手。在12月的LiveVideoStackCon 2020 SFO線上大會上，百度美國研究院資深研究員陳曦將會介紹“無人值守的大規(guī)模AI視頻生產(chǎn)”。

在Google，我們正在積極探索在制作多媒體內(nèi)容時，人們?nèi)绾问褂糜蓹C(jī)器學(xué)習(xí)和計算方法提供的創(chuàng)造性工具，從創(chuàng)作音樂、重新架構(gòu)視頻，到繪畫等等都涉及到了這方面內(nèi)容。尤其是視頻制作這樣一個頗具創(chuàng)意的過程，它可以很好地受益于這些工具，因為它需要做出一系列決策，確定哪些內(nèi)容最適合目標(biāo)受眾，如何在視圖中妥善排布現(xiàn)有資源，以及怎樣進(jìn)行時間安排能夠帶來最具吸引力的描述。但假如一個人能利用現(xiàn)有的資源，比如一個網(wǎng)站，來開啟視頻創(chuàng)作呢？大多數(shù)企業(yè)主辦的網(wǎng)站都呈現(xiàn)了關(guān)于其產(chǎn)品或服務(wù)豐富的視圖內(nèi)容，所有這些內(nèi)容都可以被重新應(yīng)用到其他多媒體格式，比如視頻，這可能使那些沒有大量資源的人能夠接觸到更廣泛的受眾。 2020年UIST上發(fā)表的“網(wǎng)頁端視頻的自動化制作”里，我們介紹了一種基于內(nèi)容所有者提供的時間和視圖限制，將網(wǎng)頁自動轉(zhuǎn)換為短視頻的研究原型——URL2Video。URL2Video從HTML源中提取資源（文本、圖像或視頻）及其設(shè)計風(fēng)格（包括字體、顏色、圖形布局和層次結(jié)構(gòu)），并將這些可視資源組合成一系列的快照，同時保持與源頁面相似的外觀和感覺，然后根據(jù)用戶指定的縱橫比和持續(xù)時間，將這些材料重新利用，渲染成一個適合產(chǎn)品和服務(wù)廣告的視頻。

URL2Video概述

假設(shè)用戶提供了一個闡述他們業(yè)務(wù)的網(wǎng)頁URL，URL2Video會自動從頁面中選擇關(guān)鍵內(nèi)容，并根據(jù)一組針對熟悉網(wǎng)頁設(shè)計和視頻廣告制作的設(shè)計師的訪談研究得到的啟發(fā)式算法，決定每個資源的時間和視圖展示。這些如設(shè)計師般熟知的啟發(fā)式算法捕獲常見的視頻編輯樣式，包括內(nèi)容層次結(jié)構(gòu)，限制一個快照中的信息量及其持續(xù)時間，為品牌提供一致的顏色和樣式等等。利用這些信息，URL2Video解析網(wǎng)頁，分析內(nèi)容，選擇視覺突出的文本或圖像，同時保留它們的設(shè)計風(fēng)格，并根據(jù)用戶提供的視頻規(guī)范進(jìn)行組合。

通過在輸入的網(wǎng)頁中提取結(jié)構(gòu)內(nèi)容和設(shè)計，URL2Video做出自動編輯決策，在視頻中呈現(xiàn)關(guān)鍵信息。它考慮到用戶定義的輸出視頻的時間限定（比如以秒為單位的持續(xù)時間）和空間限定（比如高寬比）。

網(wǎng)頁分析

一個網(wǎng)頁的URL，URL2Video會提取它的文檔對象模型（DOM）信息和多媒體材料。出于研究模型的目的，我們將域限制在靜態(tài)網(wǎng)上，這些頁面包含HTML層次結(jié)構(gòu)中保存的突出資源和標(biāo)題，這些層次結(jié)構(gòu)遵循最近的網(wǎng)頁設(shè)計原則，鼓勵使用重點的元素、更清晰的部分以及引導(dǎo)讀者感知信息的視覺焦點順序。URL2Video將這些視覺上可區(qū)分的元素標(biāo)記到資源組的候選列表，每個元素可能包含一個標(biāo)題、一個產(chǎn)品圖象、詳細(xì)描述和調(diào)用操作按鈕，并捕獲每個元素的原始素材（文本和多媒體文件）和詳細(xì)的設(shè)計規(guī)范（HTML標(biāo)簽、CSS樣式和呈現(xiàn)位置）。然后，通過根據(jù)每個資源組的視覺外觀和注釋，包括它們的HTML標(biāo)簽、呈現(xiàn)的尺寸還有顯示在頁面上的順序?qū)γ總€組進(jìn)行排序。這樣，在頁面頂部占據(jù)較大區(qū)域的資源組將獲得更高的分?jǐn)?shù)。

限定型的資源選擇

在制作視頻時，我們考慮了兩個目標(biāo)：（1）每個鏡頭都應(yīng)該提供簡潔的視頻信息；（2）視覺設(shè)計應(yīng)該與源網(wǎng)頁一致。基于這些目標(biāo)和用戶提供的視頻限定條件，包括預(yù)期的視頻持續(xù)時間（以秒為單位）和高寬比（通常為16:9、4:3、1:1等），URL2Video自動選擇并命令資源組優(yōu)化總體優(yōu)先級分?jǐn)?shù)。為了使內(nèi)容簡潔，它只顯示頁面中的主要元素，例如標(biāo)題和一些多媒體資源。它限定了觀眾所感知內(nèi)容的每個視覺元素的持續(xù)時間。這樣，簡短的視頻強(qiáng)調(diào)了頁面頂部最突出的信息，時間長一些的視頻則包含了更多的商業(yè)活動或產(chǎn)品信息。

畫面構(gòu)圖與視頻渲染

根據(jù)基于DOM層次結(jié)構(gòu)的有序資源列表，URL2Video并行依照從訪談研究中獲得的設(shè)計啟發(fā)，對時間和空間安排做出決策，將資源在單個鏡頭中展現(xiàn)出來。它將元素的圖形布局轉(zhuǎn)換為視頻的縱橫比，并應(yīng)用了包括字體和顏色在內(nèi)的樣式選擇。為了使視頻更具動感和吸引力，它調(diào)整了資源的顯示時間。最后，它將內(nèi)容渲染為MPEG-4格式的視頻。

用戶控制

研究原型界面允許用戶查看源網(wǎng)頁提取的每個視頻鏡頭中的設(shè)計屬性，以及重新排版材料，更改細(xì)節(jié)設(shè)計，如顏色和字體，并更改限制條件來生成新的視頻。

在URL2Video的創(chuàng)作界面（左）中，用戶指定源頁面輸入的URL、目標(biāo)頁面視圖的大小以及輸出視頻參數(shù)。URL2Video分析網(wǎng)頁，并提取主要的視覺組件。由它組成了一系列的鏡頭，并將關(guān)鍵畫面可視化為一個故事板。這些組件滿足輸入時間和空間限定后輸出呈現(xiàn)為視頻。用戶可以播放視頻，檢查設(shè)計屬性（右下角），并進(jìn)行調(diào)整以做視頻更改，例如重新排序鏡頭（右上）。

URL2Video用例

我們在現(xiàn)有的各種網(wǎng)頁上演示了端到端的URL2Video的性能。下面我們特別展示一個實例結(jié)果，其中URL2Video將嵌入多個短視頻剪接的頁面轉(zhuǎn)換為一個12秒的輸出視頻。請注意它如何在從源網(wǎng)頁面捕獲的視頻中對字體和顏色選擇、時間和內(nèi)容排序作出自動編輯決定的。

URL2Video從我們的Google搜索介紹頁面（頂部）識別關(guān)鍵內(nèi)容，包括標(biāo)題和視頻資源。通過綜合考慮顯示流程、源設(shè)計和輸出限定，URL2Video將它們轉(zhuǎn)換為視頻（12秒的橫向視頻；底部） 下面的視頻作了進(jìn)一步的演示： https://www.youtube.com/watch？v=3yFYc-Wet8k&feature=youtu.be 為了評估自動生成的視頻，我們與Google的設(shè)計師進(jìn)行了一項用戶研究。實驗結(jié)果表明，URL2Video能夠有效地從網(wǎng)頁中提取設(shè)計元素，并通過引導(dǎo)視頻創(chuàng)建的過程為設(shè)計師提供支持。

下一步

雖然目前的研究集中在視覺展示，但我們正在開發(fā)新的技術(shù)，以在視頻編輯中支持音軌和畫外音?？傊覀冊O(shè)想的未來是，創(chuàng)作者專注于做出高層決策，而機(jī)器學(xué)習(xí)模型配合其在多個平臺上為最終視頻的制作提供詳細(xì)的時間和圖形編輯建議。

致謝

我們非常感謝我們的論文合著者Zheng Sun（Research）和Katrina Panovich（YouTube）。我們還要感謝我們的同事，他們（按姓氏的字幕順序）-JordanCanedy， Brian Curless， Nathan Frey， Madison Le， Alireza Mahdian， Justin Parra，Emily Ryan， Mogan Shieh， Sandor Szego和Weilong Yang-為URL2Video作出了貢獻(xiàn)。我們感謝我們的領(lǐng)導(dǎo)人Tomas Izo， RahulSukthankar和Jay Yagnik的支持。

責(zé)任編輯：lq