precise-video-description

精确的视频描述

当需要用制作领域的语言忠实呈现现有视频时，请使用此技能。输出应让其他 Agent 或审核者能够还原画面中可见的内容、其所在位置、变化方式，以及摄像机如何记录这些内容，而不臆测意图或氛围。

此技能用于描述观察到的媒体内容。它不指导未来镜头的拍摄，不推断导演的心理，不编写无障碍字幕，也不调用服务商 API。

证据立场

• 观察事实： 在审阅的帧或播放内容中可直接看到。
• 测量事实： 根据文件元数据或可复现的工具得出，并注明方法和容差。
• 推断： 合理但未能通过视觉证据确认；请标明或省略。
• 制作经验法则： 实用的描述规则，并非对源内容的断言。

以下五方面结构参考了 Lin 等人的 CHAI 视频语言规范和专业电影摄影实践。资料核查日期为 2026-07-14。撰写本文时，CHAI 完整的 CameraBench-Pro 基础类别目录尚未以稳定的公开软件包形式完整提供；请勿根据截图重建或复制无法获取的分类体系。

定义描述约定

详细观看之前，请记录：

• 资源 ID、路径/URL、校验和、权利依据、来源和分析日期；
• 时长、尺寸、宽高比、帧率/时间基准、是否含音频，以及镜头边界；
• 预期用途：日志、搜索、参考分析、数据集、提示词交接、剪辑备注、视觉特效交接或审核；
• 所需的详细程度和时间精度；
• 经批准的术语表/词汇表和特定领域定义；
• 是否将叠加内容、字幕、图形、剪辑和音频纳入描述范围；
• 不确定性处理政策及审核/批准要求；
• 隐私、肖像、机密数据和发布限制。

描述的详略取决于用途。搜索索引可能只需要简洁的镜头级字段；训练数据集或视觉特效交接则可能需要注明有时间范围的状态变化。篇幅永远不能替代准确性。

描述五个不同方面

CHAI 将精确的视频语言分为五个方面。请将其作为覆盖范围的划分，而非必须遵循的段落顺序。

主体

描述可见的人、动物、物体和图形：

• 类型及稳定的辨识特征；
• 外观、服装、材质、颜色、姿势和朝向；
• 主体的数量及彼此关系；
• 入场、离场、遮挡、显现和身份连续性；
• 仅当能够区分画面侧别时，才描述身体/角色所在侧。

除非可见证据或提供的元数据能够支持，否则不要推断身份、年龄、性别、族裔、诊断、情绪、职业或关系。优先使用“穿黄色外套的人”，而非含糊的编号或代词。

场景

描述环境和呈现语境：

• 场所、室内/室外、可见地理特征、表面、天气和一天中时段的证据；
• 可观察到的视点结构；
• 叠加内容、边框、字幕、界面、分屏和转场；
• 场所、光线、天气或可见语境的变化。

请将合成叠加内容与实体场景物体区分开。避免使用“鼓舞人心”等氛围描述，除非是在引用经批准的创意指导，而非描述像素内容。

动作

按时间顺序描述可观察到的主体/物体活动：

• 动作动词、执行者、目标、方向、起始/结束状态和接触情况；
• 片段中可见的互动及因果结果；
• 同时发生还是先后发生的动作；
• 群体活动和相对运动；
• 当低帧率、模糊、剪辑或遮挡导致动作无法区分时，注明不确定性。

请选择证据所支持的最具体动词。没有可见证据时，不要将行走升级为奔跑、将伸手升级为拿取，也不要把相关性说成因果关系。

空间

描述图像中的构图和关系：

• 景别，以及主体有多少部分可见；
• 画面左侧／右侧／中央、上方／下方、前景／中景／背景；
• 重叠、遮挡、相对深度、比例，以及主体在画面中的移动；
• 构图发生变化时，描述起始和结束构图；
• 以主体为参照的方向与以画面为参照的方向。

可能产生歧义时，务必说明参照系：“向画面右侧移动”“抬起主体的左手”或“从前景柱子后方经过”。对于面向镜头的主体，主体左侧可能对应画面右侧；切勿将二者混为一谈。

摄影机

描述可观察到的拍摄特征：

• 高度、角度、滚转和视点；
• 只有在证据足以支持时，才描述视场／镜头特征；
• 焦平面、景深和焦点变化；
• 稳定性和摄影机运动轨迹；
• 契约中包含的播放速度效果和镜头转场。

区分平移、旋转和焦距变化：

• 摇摄／俯仰／滚转会使摄影机旋转；
• 推轨／横移／升降／摇臂会使摄影机平移；
• 变焦会改变焦距／视角，但不会使摄影机平移；
• 拉焦会改变焦平面；
• 弧线移动／环绕会改变摄影机围绕主体的位置。

仅凭画面外观，不要断言精确焦距，除非有元数据或校准分析作为依据。应使用“视场较广，边缘可见畸变”，而不是编造毫米数值。

先观察，再组织文字

采用多轮审阅：

1. **边界检查：**找出剪切、转场、速度变化和主要状态变化。
2. **主体／场景检查：**确认稳定的实体和环境。
3. **运动／空间检查：**追踪动作、参照系、遮挡和时间顺序。
4. **摄影机检查：**区分主体运动与摄影机运动、焦点、构图和播放效果。
5. **矛盾检查：**比较开头／中段／结尾，并逐帧重新核查含糊的说法。
6. **文字整理：**仅在证据笔记完成后，组织连贯的描述。

对于难以判断的片段，应以正常速度、慢速播放和单独选取的代表性帧进行查看。保留对原始播放速度的解读；慢速查看只是检查方法，不能作为源素材中动作缓慢的证据。

表示时间和变化

使用时间区间和状态转换，而不是堆砌术语。

shot_id: shot-014
start: 00:00:12.400
end: 00:00:17.800
subject:
  start: person in yellow coat, profile, frame-left
  change: turns toward camera and lifts a parcel
scene: rain-covered street; red sign in midground
motion: walks left-to-right, stops, then raises parcel
spatial:
  start: full shot, subject frame-left, sign frame-right
  end: medium shot, subject centered, sign partly occluded
camera: smooth lateral track, then short hold; no observable zoom
uncertainty: exact focal length not established

这是一个示例模式，并非必需格式。

对于会变化的属性，同时记录起始和结束状态：景别、角度、焦平面、主体数量、空间深度、摄影机运动或叠加内容。将剪辑转场与连续的摄影机运动分开描述。

有要求时，使用源时间码或精确帧号。说明取整规则和时间起点策略。不要让经过取整的十进制秒数给人以帧级精度的印象。

构建和维护项目术语表

仅为项目所需的术语创建定义。每个条目应包含：

• 首选术语和通俗易懂的定义；
• 纳入／排除规则；
• 易混淆的相近术语及判定规则；
• 一个已获授权的正面示例，以及在适用时提供一个反例；
• 来源和核实日期；
• 负责人和版本。

高风险的混淆包括：轨道推拉与变焦、摇摄与横向平移、高角度与摄影机高度较高、全景与特写、鸟瞰视角与较高视角、浅景深与运动造成的模糊，以及物体运动与摄影机跟拍。

如果审阅者无法可靠地区分某个术语，就先使用更直白的几何描述，直到术语表得到完善。

客观性、不确定性与遗漏

排除：

• 情绪解读、主题、象征意义、质量判断或臆测的意图，除非任务明确要求单独的推断部分；
• 未经授权元数据提供的隐形原因、画外事件和身份声明；
• 未经音频审听却对音频作出的判断；
• 仅凭风格推断出的精确技术设置。

表达不确定性时，应说明哪些内容无法确定以及原因：

The framing tightens, but the shot does not provide enough parallax or metadata to distinguish a slow dolly-in from a zoom-in.

不要为了修饰每句话而使用“可能”。如果不确定性不会影响使用场景，请选择字面、可观察的描述，例如“主体在画面中变大”。

将标签转化为连贯的语言

基础标签是证据，不是完整描述。组织文字时应：

• 先指出实体，再使用代词；
• 按时间顺序叙述；
• 清楚说明同时发生的动作之间的关系；
• 说明参照坐标系；
• 避免在不同方面重复描述；
• 保留重要的遗漏和不确定性；
• 不添加主观性的衔接语。

对于下游生成提示词，应明确区分观察到的源描述与期望的未来方向。描述说明发生了什么；提示词则可以要求接下来应该发生什么。

权利、隐私与数据保管

详细描述可能会暴露人脸、地点、屏幕内容、健康或财务信息、徽章、车牌、私人行为或受版权保护的故事内容，即使没有重新分发视频文件也是如此。

• 根据使用场景，尽量减少可识别个人身份和保密的细节；
• 适当使用稳定的假名主体标签；
• 在描述中保留权利和同意限制；
• 如果许可仅允许分析，则不得发布详细的情节或动作描述；
• 记录模型／人工作者、源素材／版本、术语表版本、审核状态和转换过程；
• 将用于训练的描述视为数据集资产，并记录其来源、许可、同意和限制。

CHAI 的公开测试素材和模型各自有其许可／说明卡；论文在 arXiv 上的分发许可并不代表可以不受限制地重复使用所有底层专业视频或尚未发布的基础示例。

质量检查清单

• 已考虑所有五个必需方面；有意省略的部分均已记录。
• 主体标注稳定且含义明确。
• 事件按源内容顺序呈现，并保留同时性。
• 未混淆相对于画面和相对于主体的方向。
• 已区分摄像机平移、旋转、变焦、对焦和主体运动。
• 已记录变化属性的起始和结束状态。
• 未虚构任何物体、动作、意图、技术设置或情绪。
• 术语符合经批准的术语表。
• 不确定性具体且以证据为依据。
• 描述详略程度与用途相符。
• 权利、隐私、来源和审核元数据随输出一并保留。

示例 1：单个电影感镜头

这是一个完整示例，不是必须遵循的公式。

**意图：**为一个 6 秒的对话镜头创建用于制作检索的描述。

**观察到的视频：**一名穿深色夹克的女子站在厨房台面旁。一名男子在门口，身影模糊。她抬眼看向他，同时画面逐渐收紧。

结构化结果：

• 主体：穿深色夹克的女子站在台面旁；男子在门口，部分可见且失焦。
• 场景：蓝调时刻的昏暗厨房内部；背景中可见一盏暖色吊灯。
• 动作：女子抬眼看向男子并说话；男子保持不动。
• 空间：开场为中景，女子位于画面中心偏左，男子位于画面右侧边缘；结束时女子以肩部以上的构图呈现，男子仍模糊地位于边缘。
• 摄影机：平滑地朝女子向前移动，没有明显的摇摄或俯仰；浅景深始终对准她靠近镜头的眼睛。无法确定确切的焦距。

连贯描述：“在昏暗的厨房里，一名穿深色夹克的女子站在台面旁，位于画面中心偏左；一名男子在画面右侧的门口处，身影失焦。她抬眼看向他并说话。她抬眼时，摄影机从中景平滑向前移动，逐渐收紧至肩部以上的构图，并始终对焦于她靠近镜头的眼睛；男子在画面边缘仍然模糊。”

**可能的错误：**因为主体在画面中变大，就把这个移动称为变焦。可通过检查视差或背景变化来判断；如果仍无法确定，就使用描述画面收紧的字面说法。

示例 2：动作含糊的生成式游戏片段

这是一个完整示例，不是必须遵循的公式。

**意图：**为一段 5 秒的侧视游戏片段生成数据集元数据。

**观察到的视频：**一名小型装甲角色朝画面右侧移动，同时平台朝画面左侧移动。画面始终保持侧视角。分数叠加层始终位于左上角。片段临近结尾处有一次硬切。

描述：“在侧视游戏场景中，一名小型装甲角色朝画面右侧跑过高架平台。角色始终位于画面左侧三分之一处，而平台朝画面左侧移动，这与摄影机横向跟随角色的情况一致；仅凭渲染画面无法还原确切的世界空间位移与摄影机位移。数字分数叠加层固定在左上角。临近结尾时，一次硬切转为同一角色更近的侧视画面。”

**这样描述的好处：**它区分了屏幕运动与不确定的世界空间运动，将叠加层识别为图形，并将剪辑与摄影机运动区分开来。

**可能的错误：**仅凭渲染像素就断言角色的世界空间速度或镜头焦距。除非提供游戏遥测数据或元数据，否则这些字段应保持未知。

来源

已于 2026-07-14 核验：

• Lin 等人，“Building a Precise Video Language with Human-AI Oversight”，CVPR 2026 / arXiv:2604.21718：https://arxiv.org/abs/2604.21718
• CHAI 官方项目和代码：https://linzhiqiu.github.io/papers/chai/ 和 https://github.com/chancharikmitra/CHAI
• CameraBench，摄影机运动分类体系与专家标注：https://linzhiqiu.github.io/papers/camerabench/
• ASC 摄影机运动与镜头设计：https://theasc.com/articles/shot-craft-camera-movement 和 https://theasc.com/articles/shot-craft-fresh-perspectives
• 哥伦比亚电影术语表：https://filmglossary.ccnmtl.columbia.edu/
• W3C 媒体无障碍要求，用于区分制作描述与无障碍交付内容：https://www.w3.org/TR/media-accessibility-reqs/
• Gebru 等人，《数据集数据说明书》：https://doi.org/10.1145/3458723