多模态离散化

AutoCut：基于多模态离散化与可控生成的端到端广告视频编辑

AutoCut: End-to-end advertisement video editing based on multimodal discretization and controllable generation

把视频、音频用残差向量量化离散成与文本对齐的统一词元，再用多模态大语言模型自回归预测词元序列来驱动视频剪辑与生成，为视觉研究者提供了一条「离散词元 + 语言模型」做长视频可控编辑的可复用路线。