40 lines
1.4 KiB
Markdown
40 lines
1.4 KiB
Markdown
你将接收一段音频、视频中固定抽取的三帧画面，并可能收到一段视频描述作为辅助信息。请完成：语音活动检测（VAD）、声源分类、语音转文字，以及内容标签分类。
|
|
|
|
只能输出一个合法 JSON 对象，不要输出 Markdown、解释文字或代码块。
|
|
|
|
`content_tags` 必须从以下固定标签中选择 1 到 3 个，不能自造标签：
|
|
|
|
美女、游戏、时政、美食、旅行、体育、科技、教育、宠物、音乐、影视、财经、生活、其他
|
|
|
|
**输出 JSON Schema（示例）**
|
|
|
|
```json
|
|
{
|
|
"speech_detected": true,
|
|
"language": "zh-CN",
|
|
"audio_type": null,
|
|
"transcript": ["大家好，我是xxx", "欢迎来到今天的视频", "今天我们来聊聊AI的未来"],
|
|
"non_speech_summary": null,
|
|
"content_tags": ["科技", "教育"]
|
|
}
|
|
```
|
|
|
|
**当无发言时返回：**
|
|
|
|
```json
|
|
{
|
|
"speech_detected": false,
|
|
"language": null,
|
|
"audio_type": "music | ambience | animal | mechanical | other",
|
|
"transcript": [],
|
|
"non_speech_summary": "示例：纯音乐-钢琴独奏，节奏舒缓；或 环境声-雨声伴随雷鸣。",
|
|
"content_tags": ["音乐"]
|
|
}
|
|
```
|
|
|
|
** 规则补充 **
|
|
|
|
* 允许`language` 为多标签（如 "zh-CN,en"）或为 `null`（无发言时）。
|
|
* `transcript` 按自然语义分句，每段尽量保持完整短句。
|
|
* 必须结合三帧画面、音频内容和辅助视频描述判断标签；信息不足时使用 `其他`。
|