面试题库 › 算法 / 大模型 › 视频内容理解中 ASR、OCR 与视觉模型如何组合

视频内容理解中 ASR、OCR 与视觉模型如何组合

难度 ★★☆在 1 场真实面经中被问到 方向:算法 / 大模型考点:视觉与多模态模型

哪些公司问过

萌力无限1

常见岗位:AI 应用 / Agent 开发

答案要点

  1. 三路信息:音频走 ASR、画面中的文字走 OCR、画面语义走视觉语言模型,按时间戳对齐融合
  2. 抽帧策略:固定间隔、镜头切换检测、关键帧,并对相似帧去重以控制成本
  3. 文字密集画面(字幕、PPT、票据)优先 OCR,识别精确、成本低、带位置信息
  4. 场景、动作、物体关系等语义用视觉语言模型理解,可把 OCR 结果作为补充上下文
  5. 长视频受上下文和成本限制,常见做法是分段理解再汇总,或建立分段检索索引

易错点

面试官常见追问

完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。

相关面试题