AI视频摘要事件覆盖率实测:哪些场景漏报明显
实测对象与判定规则:把“漏报”量化2月17日至2月23日,我们选取了通义听悟、讯飞听见、飞书妙记、YouTube自带摘要四款工具,输入同一批共60段视频。素材来源包括央视新闻片段、地方台民生节目、企业

实测对象与判定规则:把“漏报”量化
2月17日至2月23日,视频实测我们选取了通义听悟、摘事讯飞听见、盖率飞书妙记、场景YouTube自带摘要四款工具,漏报输入同一批共60段视频。明显素材来源包括央视新闻片段、视频实测地方台民生节目、摘事企业产品发布会录屏、盖率监控画面剪辑、场景体育赛事集锦。漏报判定标准不复杂:凡视频中出现的明显“硬事件”——有人名、有数字变化、视频实测有明确动作或结果——未出现在AI生成的摘事摘要里,即记为一次漏报。盖率最终平均事件覆盖率为71.4%,比各家宣传页上“90%以上重点提取”低了近20个百分点。四款工具无一达到80%,很好的是通义听悟76.3%,最低的是YouTube自带摘要61.8%。
监控与多人物对话漏得最狠,会议反而最稳
拆开看场景,漏报分布极不均匀。会议录制类视频表现很好,平均覆盖率83.5%,因为发言结构清晰、有明确议程和结论句。发布会录屏次之,78.2%。最差的是监控画面剪辑和体育集锦,分别只有54.1%和58.7%。一个典型案例:某地凌晨便利店盗窃监控片段,画面里有人从后门进入、拿走收银台旁纸箱、两分钟后原路返回。三款工具生成的摘要都只写了“有人进入便利店”,纸箱被拿走这个关键事件全部漏掉。原因很简单,画面里没有语音,AI只能依赖视觉标签,而“抱纸箱”这个动作在语料里权重很低。体育集锦的问题则相反——解说词太密,模型把“漂亮”“太强了”这类情绪词当成了事件主体。
数据变动与否定句,是漏报高发区
测试里最令人不安的发现是:涉及数据变动的句子,平均漏报率达到44%。比如一段财经新闻提到“该季度营收同比下降3.2个百分点”,四款工具有两款直接省略了“下降”二字,只写“营收3.2个百分点”。另一段地方台节目里说“今年供暖投诉量为近五年最低”,摘要写成“供暖投诉量保持稳定”。否定词、比较级、小数点后位数,都是丢信息的重灾区。我们回查了模型原理:摘要任务本质是压缩,模型倾向于保留正向、确定、整数的表达,因为它更符合训练数据里的“常规句式”。这意味着越反常、越需要警惕的信息,越可能被平滑掉。
想提高覆盖率,先放弃“一键生成”的幻想
经验分享:把视频先切段再摘要,比整段丢进去效果好得多。60段视频里,我们尝试了按场景切分(会议按议程、新闻按导语-主体-结尾、监控按时间戳),同样工具平均覆盖率提升7到9个点。另一个技巧是给提示词加约束,明确要求“保留所有数字、否定词、人物动作”,通义听悟在加入这条后覆盖率从76.3%提到81.9%。但要注意,过度约束会牺牲摘要的连贯性,测试中出现了时间线错乱的问题。目前市面上的AI视频摘要,真正可靠的使用方式不是直接复制结果,而是把它当成索引——先看漏了什么,再决定要不要回看原片。对内容审核、舆情监测这类岗位,54%的监控类覆盖率意味着每两条关键事件就漏一条,这个风险担不起。建议至少把覆盖率要求写进采购标准里,别信宣传页。