嘉賓 | 鄭吉敏

編輯 | 李美涵

出品 | 51CTO技術棧（微信號：blog51cto）

本文整理自去哪兒旅行技術總監(jiān)鄭吉敏在WOT2024大會上的主題分享，更多精彩內容及現(xiàn)場PPT，請關注51CTO技術棧公眾號，發(fā)送【WOT】即可直接領取。

日前，在51CTO主辦的WOT全球技術創(chuàng)新大會上，去哪兒旅行技術總監(jiān)鄭吉敏帶來了主題演講《國際酒店AI生成視頻實踐》，圍繞著國際酒店的業(yè)務架構，詳細介紹了生成視頻如何進行流程AI化以及相關實踐和思考，帶給觀眾全新的視野和獨家的經驗分享。

本文將摘選其中精彩內容，統(tǒng)一整理，希望為諸君帶來啟發(fā)。

本文將從以下四個部分展開：

• 視頻生成挑戰(zhàn)與機遇
• 專業(yè)影視生成流程AI化
• AI生成視頻實踐
• 視頻生成成果展示與思考

1.視頻生成挑戰(zhàn)與機遇

我們首先來看看，國際酒店視頻生成所遇到的挑戰(zhàn)。

圖片

隨著AIGC技術的發(fā)展，我們關注其在實際業(yè)務中的應用。我們認識到AIGC已具備生成視頻的能力，且我們的業(yè)務對此有相應的需求。

因此，我們首先確定了使用AIGC生成視頻的場景。

接下來，我們考慮如何將視頻制作工程化，并確保視頻質量?；氐揭曨l本身，目前其核心元素有兩點：文案和圖片。我們需要審視現(xiàn)有的文案和圖片資源，通過組織這些內容生成視頻，并以賦能現(xiàn)有業(yè)務作為終點。

在制作視頻時，我們面臨的第一個問題是素材選擇。我們手頭的素材已經明確，包括基礎的文案、圖片信息和用戶點評，這些素材需要精心挑選并有效利用以生成視頻。

素材選擇的難點在于信息的篩選和利用。例如，酒店圖片質量參差不齊，高星酒店的圖片通常更清晰，成為視頻的亮點，但并非所有酒店的圖片都具備這一特性。此外，用戶點評中包含多種語言，翻譯后的信息可能無法直接使用。

面對這些挑戰(zhàn)，我們需要找到解決方案，以確保視頻內容的質量和準確性。

接下來談談挑戰(zhàn)背后我們看到一些機遇。

圖片

圍繞著國際酒店業(yè)務的異國風情特征，我們沉淀了高度多樣化的信息。

對于觀眾觀看體驗來說，視頻不僅僅是展示酒店，更重要的是通過視頻傳達酒店所在區(qū)域的多樣性，以及與本地酒店不同的特色和定位。

我們面臨的問題是國際酒店視頻的制作是否能夠成功，以下是我列出一些可行性的數(shù)據(jù)支撐：

1. 國際酒店視頻覆蓋率低。在開始之前，我們發(fā)現(xiàn)國際酒店視頻的覆蓋率大約為19.6%，顯示了巨大的提升空間。

2. 視頻對轉化有明顯提升。去年，我們對高星酒店視頻進行了測試，結果顯示視頻顯著提高了用戶的轉化率。

3. 國內酒店有視頻生成經驗。國內酒店已經針對低星酒店生成了視頻，這驗證了我們已經具備基礎的視頻制作能力。

基于這些基礎，我們確定了國際酒店視頻制作需要具備的三個基本特征：風格多樣性、內容多樣性和元素多樣性。

2.專業(yè)影視生成流程AI化

我們將專業(yè)影視生產流程簡化為四個關鍵步驟： 

第一，策劃創(chuàng)意。

第二，分鏡創(chuàng)作。

第三，現(xiàn)場拍攝。

第四，后期剪輯。

圖片

圍繞這四個過程，我們用上圖簡單介紹一下。

以上圖的片段為例，每個分鏡會有文案描述她的動作，并配有女生說的話或者內心獨白來展現(xiàn)劇情。

通過這些元素的組合，我們能夠制作出一個連貫的影視片段。每個分鏡都由圖片或視頻、文案和語音組成，經過后期剪輯，形成一個完整的小視頻。這是影視制作中的基本流程。

基于上述內容，我們來看看，視頻制作流程的AI化。

圖片

視頻本質上由多個分鏡構成的，每個分鏡都包含圖片、文案、配樂等核心元素。在AI的幫助下對素材進行加工，從而生成每個分鏡的內容。

隨后，通過轉場動畫和特效，將各個分鏡流暢地拼接成一個完整的視頻。

3.AI生成視頻實踐

具體到AI生成視頻的實踐中，我們還會面臨一個問題，就是判斷視頻質量高低的標準——如何生成一個用戶愿意觀看的內容？

圖片

我們總結優(yōu)質視頻有以下關鍵因素：

首先，我們強調價值趣味，這涉及到劇情設計和分鏡的構思。我們需要考慮如何設計分鏡，以及是否有合適的模板來更好地連接每個分鏡。

緊接著是清晰畫質，我們追求1080p甚至4K的高清標準，確保用戶在觀看時不會因為畫質問題而感到不適。

最重要的，視頻的主題應該是優(yōu)質的。我們的目標不僅是畫質和設計方面的精良，更要傳達出酒店的亮點和特色，讓用戶通過視頻就能直觀感受到酒店的魅力。

最終，我們希望用戶在觀看視頻后，愿意分享視頻。

基于優(yōu)質視頻的基礎元素，我們規(guī)劃了視頻生成的業(yè)務流程。

圖片

第一步，素材選取。我們首先提取圖片和文字素材，并進行去重和高清處理，確?；A素材的質量。對于文字，特別是小語種，我們會進行翻譯和亮點抽取，以適應不同語言環(huán)境的需求，達到實際可用的水平。   

第二步，預處理階段。這個階段的目標是讓圖片和文字滿足用戶的基本要求。我們還會根據(jù)需要，將文字輸入到大語言模型中，圖片則輸入到多模態(tài)大模型中，進行再加工。

第三步，分鏡制作。我們會大量運用運鏡和特效技術，模擬用戶實際觀察酒店的視角和動態(tài)效果。例如，對于酒店外景，我們會模擬用戶走近酒店的動作，使用拉近效果；對于房型圖片，則模擬用戶在房間內的視線移動，通過左右遷移來增強現(xiàn)場感，讓用戶感覺身臨其境。此外，我們還會根據(jù)場景添加特效，如海島場景的疊化和模糊效果，夜晚場景的星星特效，營造更豐富的意境。

最后一步，模板剪輯合成。在這個階段，我們將每個分鏡與旁白結合，將完成的每個分鏡，利用多套模板進行合成，通過特效和音樂確保視頻的絲滑過渡，避免生硬感，最終生成一個完整的視頻。

接下來我們看一下從業(yè)務層面，來看整個視頻的生成。通常來講我們還是以每個分鏡作為我們的基礎單元，構建以業(yè)務為核心的生產流程。

圖片

在構建業(yè)務模型時，底層的是AI技術的能力。這些能力包括文本預處理、圖片預處理、大語言模型、多模態(tài)模型以及分鏡制作和模板合成等，它們各自獨立，為自研提供通用能力。

這種設計的優(yōu)勢在于，一旦上層思路確定，我們可以自由決定使用適合的AI能力，個性化的適配不同酒店需求。

業(yè)務模型的上層，是業(yè)務規(guī)則。前面也提到過，國際酒店的地域文化差異顯著，我們采用定制化策略，使得視頻與酒店的定位相匹配，避免視頻的千篇一律。

接下來重點講下模板，模版讓我們以不同的方式組裝分鏡，業(yè)務的多樣性決定了我們模版的多樣性。

圖片

目前核心模版分這幾類，商業(yè)簡約風格、豪華&奢華風格、海島風情、日式風格等等。

我們與公司的UI團隊展開合作，由他們設計相應的模板，確保視頻展示方式與酒店的特色相匹配，從而提升視頻的整體效果。

通過這種方式，我們的平臺AI能力在多方面得到了有效沉淀。

圖片

去哪兒網的業(yè)務線、算法和AI技術架構是分開的，通常采用合作的方式來完成工作，因此我們會實現(xiàn)各AI能力的單獨擴展，由業(yè)務方自主選擇并以插件形式復用所需能力。

圖片

這里包含文案處理、圖片處理等多種AI能力的插件。

接下來簡單講下，AI對于多語種翻譯的增強。

圖片

我們的翻譯實踐表明，在處理27種語言時，傳統(tǒng)神經網絡+深度學習雖然能實現(xiàn)基本的"信"（準確傳達原意），但往往缺乏"達"（通順）和"雅"（情感和風格）。

通過使用GPT-3.5，我們能夠提升翻譯質量至7到8分，效果與使用谷歌翻譯差不多，如果使用GPT-4，效果還會更好。

小語種翻譯尤其受益于大型語言模型，但也要注意在成本上獲得平衡。

接下來說一下AI對多模態(tài)生成的加強。

圖片

在生成視頻方面，我們主要嘗試過Pika和Runway平臺?；赗unway的Gen-2模型，通過精細調整參數(shù)并確保內容符合物理邏輯，我們能夠創(chuàng)造出逼真的圖像，例如模擬真實的海浪動態(tài)。我們注意到，如果不進行特殊控制，生成的海浪可能不符合自然現(xiàn)象（上圖）。因此，我們在多模態(tài)生成中特別強調物理邏輯的準確性。

目前，Runway在生成效果方面表現(xiàn)最強，盡管它的API接口尚未完全開放。一旦開放，預計將極大促進我們的多模態(tài)生成工作。

不過，即使有了強大的工具，參數(shù)的調整仍然非常關鍵。

4.視頻生成成果展示與思考

我們來看一下視頻生成的成果展示。

下面這個視頻是典型的簡約商務酒店風格，通過左右移動，模擬用戶進入房間的觀看效果。（為方便展示，視頻經過壓縮，原視頻清晰度為1080p）。

接下來同樣是一個簡約商務酒店，這個酒店的特點是周圍的地標建筑。

在做簡約商務酒店的視頻時，還會進行元素定制，突出酒店的亮點、對用戶度假時特別關注的問題進行強調，例如位于普吉島的酒店是否有免費的無邊泳池等。

接下來是一個日式和風酒店。

接下來，是在AI能力基礎上，進行過簡單的人工加工的海島視頻。

這里邊有了很多特效以及動態(tài)，讓觀看者能感受到輕松、浪漫的氣氛。

最后講一下視頻的數(shù)據(jù)結果，這是我們APP里的展現(xiàn)形式，默認是在目前打開詳情頁的位置進行播放，上線后效果相對提升6%。

圖片

5.總結

圖片

在AI生成視頻的過程中，我們也踩過坑、積累了不少經驗。比如，最開始我們會強調支持4K以提供高清體驗，但考慮到實際手機端的加載情況，最終選擇了1080p作為標準。

再比如，剛開始實踐時，我們執(zhí)著于使用旁白朗讀文案。但在實際測試中發(fā)現(xiàn)，優(yōu)美的背景音樂配合高清圖片更適合高端酒店。

在動畫和動態(tài)圖片的運用上，圖片的動態(tài)化會為吸引力加成，但是物理規(guī)律的準確性特別重要。

展望未來，我們計劃在提供視頻生成能力的同時，實現(xiàn)對高端酒店的定制化覆蓋。我們將根據(jù)不同酒店的風格定制視頻內容，包括風格、場景和亮點，并針對不同客群展示相應酒店視頻，同時為運營團隊提供快速響應市場的能力，為他們順利與酒店達成合作助力。

目前，生成一個視頻的成本大約是1.25元，時間大約在半分鐘到一分鐘左右，這是一個高效具備高成本效益的解決方案。   

本文轉載自??51CTO技術棧??，作者：李美涵