超越连贯性：多镜头音视频生成中的专业剪辑技法评测

最近的多镜头音频视频生成器可以产生越来越连贯的电影输出，但连贯性并不意味着执行编辑技术的能力。专业剪辑取决于镜头结构、转场语法、音视频剪辑关系和蒙太奇，而现有基准很大程度上依赖于内容质量、同步或物理合理性等指标，系统性地忽略了这些剪辑指令是否实际执行。我们推出 CutCraft，这是多镜头音频视频生成中编辑技术执行的第一个基准。 CutCraft 通过明确的编辑规范扩展了结构化多镜头提示，并与分层混合评估框架配对，该框架结合了镜头结构对齐、专家模型指标、基于工具的多模态判断和基于标题的问答。除了评估之外，我们还设计了一个智能体编辑基线，将生成分解为规划、镜头级合成和事后合成，明确实现 J 剪切、L 剪切和过渡计时等编辑语义。在 13 个最先进的封闭和开源模型中，CutCraft 揭示了连贯性和编辑技术执行之间的一致差距：当前系统通常会生成看似合理的多镜头视频，但无法可靠地执行编辑指令。我们发现不稳定的镜头结构、对过渡执行的控制薄弱以及高阶蒙太奇的急剧退化，而美学质量与编辑技术合规性的相关性很弱。基准和指标以及编辑智能体基线可从此 https URL 获取。