video-description-oversight

视频描述审核

当视频相关语言必须作为证据级元数据，而非看似合理的文案来接受时，请使用此技能。它规定了一个修正循环：

source video + specification + pre-caption
  -> evidence-backed critique
  -> revised post-caption
  -> independent acceptance review
  -> versioned triplet and decision record

审核者负责核实文字对媒体的描述。技术文件完整性、视觉瑕疵 QA、无障碍字幕、创作意图和模型后训练属于其他范围。

证据立场

• **有文档记录的事实：**由源视频、经批准的规范或引用的标准／研究支持的发现。
• **审核者观察：**对视频与描述进行带时间戳的比较。
• **生产启发式：**必须符合项目风险和人员配置的操作性质量控制选择。

此工作流参考了 Lin 等人的 CHAI 框架。该框架报告称，用于修订精确视频字幕的评述，准确、完整且具有建设性时最有用。来源已于 2026-07-14 核实。CHAI 的性能数字是针对其数据和标注员计划得出的第一方研究结果，并非通用的服务级别保证。

适用范围与边界

以下情况请使用此技能：

• 搜索、归档、剪辑日志或参考分析；
• 训练／评估数据集；
• 生成提示词交接；
• 融合电影摄影知识的视频理解；
• 语言错误会造成影响的受监管或高风险元数据。

以下情况请转交其他流程：

• 编解码器、色彩、音频、解剖结构、瑕疵或最终媒体发布 QA；
• SDH／字幕时间轴和无障碍合规；
• 决定期望的镜头或创作处理方式；
• 训练／微调奖励模型或字幕模型；
• 特定提供商的视频分析 API 调用；
• 薪资、劳动分类或人员采购。

此工作流要求提供描述规范。如果没有，请先通过 precise-video-description 制定规范，再评估完整性或术语。

输入和证据包

收集：

• 不可变的源素材／版本、校验和、时长／时间基准、版权和隐私分类；
• 预先生成的字幕文本、作者／模型／版本、提示词／指令、时间戳和来源信息；
• 经批准的描述范围和五项要求：主体、场景、运动、空间、摄影机；
• 项目术语表／版本、参考示例、不确定性政策和领域限制；
• 目标用途和严重性政策；
• 审核者身份／化名 ID、专业知识、语言、校准状态和利益冲突；
• 既往评述、修订、申诉，以及任何已接受的版本。

不要让审核者评述其无法访问的视频。仅基于文本的“盲审”无法确认视觉准确性。

对预先生成的字幕进行分诊

详细审核前，先作出以下判断：

• **可审核：**内容连贯，足以进行修正；
• **需要领域专家：**专业医学、科学、文化、语言或电影摄影内容超出审核者的能力范围；
• **需要新的源素材：**视频已损坏、质量过低、不完整或不匹配；
• **拒绝并重新生成／改写：**字幕无关，或存在严重缺陷，以至于逐项修正不如新草稿可靠；
• **受阻：**缺少版权、隐私信息或规范。

记录原因。不要强行对不可用的源素材／字幕组合采用评述工作流。

按要素和时间审核

依据项目的精确描述规范，而非直觉进行审核。

主体

检查实体数量、稳定标识符、可见属性、姿势、关系、出现／离开，以及未经核实的身份／人口属性推断。

场景

检查环境、时间／天气证据、叠加内容与实体物体的区分、转场，以及缺乏依据的情绪／主题主张。

运动

检查动作动词、动作主体／目标、时间顺序、同时发生的活动、接触、方向，以及过度推断因果关系的表述。

空间

检查景别、画面位置、景深、重叠／遮挡、起始／结束构图，以及相对于主体而非相对于画面的方向。

摄像机

检查平移与旋转、变焦与移动、角度／高度／翻滚、焦点变化、稳定性、播放效果、剪辑转场，以及编造的技术设置。

以正常速度回看，并在有争议事件附近逐帧检查。每项发现都应尽可能标明定位点或时间区间。

撰写纠正性评述

每项评述都必须通过三个独立关口：

精确性

每项发现都必须确实存在，并有可见证据或规范支持。不要加入视频无法证实的看似合理的修正。

覆盖度

涵盖约定范围内所有重要错误和遗漏。覆盖度不等于尽可能详尽；合同范围以外的琐碎细节可以省略。

建设性

每项发现都要说明如何修正字幕：替换、添加、删除、调整顺序、限定表述或标注不确定。“这里错了”不是可执行的修正意见。

建议采用以下发现格式：

{
  "aspect": "camera",
  "time_range": ["00:02.100", "00:04.800"],
  "error_type": "incorrect-term",
  "caption_claim": "the camera zooms in",
  "evidence": "foreground/background parallax increases while field of view appears stable",
  "correction": "replace with 'the camera moves forward'",
  "severity": "major",
  "reviewer_id": "reviewer-17",
  "spec_version": "video-language-2.1"
}

这只是一个示例结构。不得包含编造的置信度分数。将观察到的证据与建议的措辞分开。

处理准确的字幕

不要为了证明自己做过审查而编造反馈。如果无需修正，请记录明确的标记，例如：

The description matches the reviewed source and specification; no edits are required.

即使判定为“准确”，仍需记录审查范围、素材／版本、审查者、日期、词汇表／规范版本，以及任何未审查的方面。

生成并验证字幕修订稿

作者／模型根据已接受的评述进行修订。保留所有版本；切勿覆盖修订前的字幕。

第二阶段验收需确认：

1. 是否已处理所有有效的评述发现？
2. 修订是否引入了新的臆造、遗漏、歧义或写作问题？
3. 是否仍保持客观并按时间顺序叙述？
4. 术语是否符合已批准的词汇表？
5. 是否保留了不确定性和有意省略的方面？
6. 修订后的字幕是否适用于其声明的用途以及隐私／权利范围？

对于高风险用途或数据集用途，验收审查者应与第一位审查者不同。对于风险较低的内部工作，可根据有记录的政策进行经校准的抽查审查。

严重程度与处置

根据下游影响而非字数定义严重程度：

• **严重：**错误身份、安全／监管声明、隐私泄露、重大误导性事件、使数据集目标无法使用，或可能造成伤害的无依据陈述。
• **主要：**主体／动作／摄像机／空间关系错误、重要遗漏、时间顺序颠倒，或改变含义的术语。
• **轻微：**范围内局部措辞问题或非重要遗漏。
• **观察项：**不影响验收的备注或局限。

可能的处置方式：accepted、accepted_with_limitations、revise、reject、escalate、blocked。

不得以机械方式豁免隐私、同意、安全或重大事实错误。

同行审查、申诉与校准

使用黄金示例并定期进行盲法校准。按方面跟踪一致性，因为团队可能在主体／场景方面意见一致，却在空间／摄像机方面表现不佳。

审查者意见不一致时：

1. 判断分歧源于证据、术语、范围还是规范歧义；
2. 重放有争议的区间，并应用词汇表中的判定规则；
3. 若仍无法解决，升级给合适的资深审查者／领域审查者；
4. 记录决定；如果歧义可能再次出现，则更新培训材料／规范；
5. 允许有记录的申诉，但不得抹去原始审查记录。

不要强制规定通用的 kappa 阈值、每日审查配额、薪酬方案或专业水平阶梯。CHAI 使用了经过高度培训的专业人员工作流程；内容或审查者不同的团队必须制定自己的经验证的校准标准。

带版本的输出与溯源信息

请保留：

• 源素材 ID/哈希值/版本；
• 规范/术语表版本；
• 预标注、批评意见、后标注；
• 作者/模型/提示词/版本及审核者 ID；
• 时间戳、迭代次数、状态、接受/申诉决定；
• 领域、语言、预期用途、权利/隐私限制；
• 已知的未审核方面及剩余风险。

（预标注、批评意见、后标注）三元组可以成为有价值的数据集资产，但获准用于生产并不自动意味着获准用于模型训练。请创建数据说明书，并在重复使用前确认源视频、标注、审核者及衍生数据的权利。

C2PA 或签名记录有助于溯源，但无法证明标注属实。

隐私、劳动者及领域局限

详细的视频描述可能泄露身份、地点、私人行为、屏幕内容、健康/财务细节或受版权保护的故事内容。请尽量减少访问权限，使用化名审核者 ID，制定保留/删除规则，将公开输出与私密审核元数据分开，并审计导出内容。

审核者应与领域/语言复杂度相匹配。电影摄影方面的专业知识并不意味着具备医学或文化方面的专业知识；语言流利也不保证能辨别镜头运动。CHAI 的研究结果来自受过培训的专业创作者，且主要涉及专业视频领域。不要假设未经培训的众包工作者、多语言自动翻译、长篇影像或专业领域也能取得同等效果。

质量仪表板

跟踪趋势，而不是只优化一个数字：

• 按方面统计的修正情况和严重程度；
• 批评意见的误报率；
• 第二阶段审核发现的遗漏；
• 修改迭代次数及拒绝原因；
• 申诉率及根本原因；
• 按方面和领域统计的一致性/校准情况；
• 源模型/作者的缺陷模式；
• 规范歧义及术语表变更；
• 审核耗时和疲劳迹象，且不进行侵入式监控。

批评意见数量过多，可能表示源内容质量差，也可能表示审核者过于苛刻。得出结论前请先审查证据。

示例 1：镜头术语修正

这是一个完整示例，并非强制公式。

来源： 六秒的厨房镜头。预标注中的说法：“镜头推近这名女性，她瞥向右侧。”

证据审查： 背景与前景的视差发生变化，支持摄像机向前平移这一判断。这名女性看向画面右侧，但无须判定那是她的左侧还是右侧。焦点始终位于她的眼睛上。

批评意见：“摄像机，00:02.0-00:05.0：将‘推近’改为‘向前移动’，因为视点发生了平移且视差改变，而不只是视野范围发生变化。空间/运动：保留‘看向画面右侧’；没有证据时，不要将其改成主体的右侧。其余主体及场景描述准确。”

后标注：“昏暗的厨房里，摄像机平稳地向一名女性移动。她抬起目光看向画面右侧；焦点始终位于她较近的一只眼睛上。”

**接受：**第二位审核者确认修正无误、没有新增说法，并记录准确的源版本/规范版本。

应避免的错误做法：“标注中的镜头运动描述是错的。”这种说法没有提供有依据的替换方案，也不具建设性。

示例 2：不完整的生成式游戏描述

这是一个完整示例，并非强制套用的公式。

字幕前版本：“一名骑士在关卡中奔跑，镜头跟随。”

**审查范围：**用于数据集元数据的全部五个方面。

发现：

• 主体：“骑士”过度断定了身份；可见证据支持“小型装甲角色”这一描述。
• 场景：遗漏了高架平台和分数叠加层。
• 动作：补充其向画面右侧移动，并在剪切前停止。
• 空间：补充侧视角、停留在左侧三分之一处，以及平台向画面左侧移动；世界／镜头的位移仍不确定。
• 镜头：“跟随”符合稳定构图的表现，但应限定为“与横向跟拍一致”；补充结尾硬切至更近的视角。

**建设性批评：**给出每项替换或补充内容，并保留不确定性。**字幕后版本：**涵盖全部五个方面，但不声称世界速度或精确镜头参数。**处理结果：**经第二次审查后接受。

**应避免的错误：**臆测游戏标题、角色名称、玩家意图或“动感十足、令人兴奋的氛围”。

来源

核验日期：2026-07-14：

• 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、代码、测试数据和模型卡：https://linzhiqiu.github.io/papers/chai/、https://github.com/chancharikmitra/CHAI、https://huggingface.co/datasets/chancharikm/CHAI_testset，以及 https://huggingface.co/chancharikm/CHAI_SFT_model_8b
• Saunders 等人，“Self-critiquing models for assisting human evaluators”：https://arxiv.org/abs/2206.05802
• Gebru 等人，《数据集说明书》：https://doi.org/10.1145/3458723
• C2PA 规范索引：https://spec.c2pa.org/