ARC 章节：将一小时长的视频拆分为可导航的章节和分层摘要

时长视频（例如，讲座、播客、纪录片）的激增，对高效内容结构化的需求日益强烈。然而，现有方法受限于小规模训练，其注释通常简短且粗略，限制了其在长视频中处理细微过渡的泛化能力。我们推出了 ARC-Chapter，这是首个大规模视频分章节模型，它在超过百万级别的长视频章节上进行训练，并具有双语、时序定位和分层章节注释。为了实现这一目标，我们通过结构化流程整理了一个双语英中章节数据集，该流程将 ASR 转录、场景文本、视觉字幕统一为多级注释，从短标题到长摘要。我们证明了数据扩展（包括数据量和标签强度）在性能上带来了明显的提升。此外，我们设计了一种新的评估指标 GRACE，它结合了多对一的片段重叠和语义相似性，更好地反映了实际章节划分的灵活性。大量的实验表明，ARC-Chapter 以显著的优势确立了新的最先进水平，在 F1 分数上比之前的最佳提高了 14.0%，在 SODA 分数上提高了 11.3%。此外，ARC-Chapter 显示出卓越的可转移性，在 YouCook2 等下游任务（如密集视频字幕）上提升了最先进水平。