PresentAgent-2：迈向通才型多模式呈现代理

演示文稿生成正在从静态幻灯片创建转向具有研究基础、多模式媒体和交互式交付的端到端演示视频生成。我们介绍 PresentAgent-2，一个用于根据用户查询生成演示视频的代理框架。给定开放式用户查询和选定的演示模式，PresentAgent-2 首先将查询总结为焦点主题，并对演示友好的来源进行深入研究，以收集多模式资源，包括相关文本、图像、GIF 和视频。然后，它构建演示幻灯片，生成特定于模式的脚本，并将幻灯片、音频和动态媒体组合成完整的演示视频。 PresentAgent-2在统一框架内支持三种独立的演示模式： 单演示，生成单人解说演示视频；讨论，创建具有结构化演讲者角色的多演讲者演示，例如提出指导性问题、解释概念、澄清细节和总结要点；交互，独立支持回答基于生成的幻灯片、脚本、检索的证据和演示上下文的观众问题。为了评估这些能力，我们建立了一个涵盖单一演示、讨论和交互场景的多模式演示基准，并针对内容质量、媒体相关性、动态媒体使用、对话自然性和交互基础等特定任务的评估标准。总体而言，PresentAgent-2 将演示文稿生成从依赖于文档的幻灯片创建扩展到具有多模式媒体、对话和交互的查询驱动、基于研究的演示视频生成。代码：https://github.com/AIGeeksGroup/PresentAgent-2。网站：https://aigeeksgroup.github.io/PresentAgent-2。