本项目为AIGeeks、澳洲人工智能研究所、利物浦大学、拉筹伯大学的联合工作。
我们提出了PresentAgent，一个能够将长篇文档转化为带解说的演示视频、多模态智能体。现有方法大多局限于生成静态幻灯片或文本摘要，而我们的方案突破了这些限制，能够生成高度同步的视觉内容和语音解说，逼真模拟人类风格的演示。
论文标题：PresentAgent:MultimodalAgentforPresentationVideoGeneration
论文地址：https://arxiv.org/abs/2507.04036
代码：https://github.com/AIGeeksGroup/PresentAgent
为了实现这一整合，PresentAgent采用了模块化流程，如图1所示，包括以下步骤：1.系统性地对输入文档进行分段；2.规划并渲染幻灯片风格的视觉帧；3.利用大型语言模型与文本转语音模型生成具有上下文的语音解说；4.最终将音频与视觉内容精确对齐，无缝组合成完整视频。
图1PresentAgent概览。该系统以文档（如网页）为输入，经过以下生成流程：（1）文档处理、（2）结构化幻灯片生成、（3）同步字幕创建，以及（4)语音合成。最终输出为一个结合幻灯片和同步讲解的演示视频。图中紫色高亮部分表示生成过程中的关键中间输出。
考虑到这种多模态输出的评估难度，我们引入了PresentEval，一个由视觉-语言模型驱动的统一评估框架，从以下三个关键维度全面打分：内容忠实度（ContentFidelity）、视觉清晰度（VisualClarity）和观众理解度（AudienceComprehension）。
评估采用基于提示的方式进行。我们在一个精心整理的包含30对「文档-演示」样本的数据集上进行了实验验证，结果表明，PresentAgent在所有评估指标上接近人类水平的表现。
这些结果展示了可控多模态智能体在将静态文本材料转化为动态、有效、易获取的演示格式方面的巨大潜力。
我们的主要贡献如下：
提出新任务：首次提出「文档到演示视频生成」这一新任务，旨在从各类长文本自动生成结构化的幻灯片视频，并配有语音解说。
设计PresentAgent系统：提出一个模块化生成框架，涵盖文档解析、布局感知幻灯片构建、讲稿生成及音视同步，实现可控、可解释的视频生成过程。
提出PresentEval评估框架：构建一个由视觉语言模型驱动的多维度评估机制，从内容、视觉与理解等维度对视频进行提示式评分。
构建高质量评测数据集：我们制作了一个包含30对真实文档与对应演示视频的数据集。实验和消融研究显示，PresentAgent不仅接近人类表现，且显著优于现有方案。
演示视频评估基准（PresentationBenchmark）
图2我们评估基准中的文档多样性
为了支持文档到演示视频生成的评估，我们构建了一个多领域、多文体的真实对照数据集——Doc2PresentBenchmark，其中每对数据都包含一个文档与一个配套的演示视频。不同于以往只关注摘要或幻灯片的基准，我们的数据包括：
商业报告
产品手册
政策简报
教程类文档等
每篇文档均配有人工制作的视频讲解，如图2所示。
图3我们的评测方法框架概览
与paper2poster的方法类似，我们设计了一个测验式评估框架，即通过视觉语言模型仅根据生成视频（幻灯片+讲解）回答内容问题，以模拟观众的理解水平，同时我们还引入人工制作的视频作为参考标准，既用于评分校准，也作为性能上限对比。
该评估框架由两部分组成：
客观测验评估：通过选择题测量视频传递信息的准确性；
主观评分评估：从内容质量、视觉/音频设计与理解清晰度等维度，对视频进行1–5分等级评分；这两类指标共同构成了对生成视频的全面质量评估体系，如图3所示。
PresentAgent
图4PresentAgent框架概览
本系统以多种类型的文档（例如论文、网页、PDF等）为输入，遵循模块化的生成流程：
首先进行提纲生成；
检索出最适合的幻灯片模板；
然后借助视觉-语言模型生成幻灯片和解说文稿；
将解说文稿通过TTS转换为音频，并合成为完整的演示视频；
为了评估视频质量，我们设计了多个维度的提示语；
最后将提示输入基于视觉语言模型（VLM）的评分模块，输出各个维度的指标结果。
为了将长文本文档转化为带口语化讲解的演示视频，我们设计了一个多阶段的生成框架，模拟人类准备幻灯片与演讲内容的流程，如图4所示。该方法分为四步：
语义分段；
结构化幻灯片生成；
口语化讲解生成；
可视与音频组合为同步视频。
该模块化设计支持可控性、可解释性和多模态对齐，兼顾高质量生成与细粒度评估。下文将分别介绍各模块。
实验
我们构建了一个包含30个长文档的测试集，每个文档配有人类手工制作的演示视频作为参考。这些文档涵盖教育、产品说明、科研综述与政策简报等主题。
所有生成与人工视频均使用PresentEval框架进行评估。由于当前尚无模型可完整评估超2分钟的多模态视频，我们采用分段评估策略：
客观评估阶段：使用Qwen-VL-2.5-3B回答固定的多项选择题，评估内容理解；
主观评分阶段：提取视频与音频片段，使用Qwen-Omni-7B针对内容质量、视觉/听觉质量和理解难度分别打分。
主实验结果
在测验准确率方面，大多数PresentAgent的变体与人工基准结果（0.56）相当甚至更优。其中Claude-3.7-sonnet取得了最高准确率0.64，表明生成内容与源文档之间具有较强的一致性。其他模型如Qwen-VL-Max和Gemini-2.5-flash得分略低（0.52），表明在事实对齐方面仍有提升空间。
在主观质量方面，由人类制作的演示仍在视频和音频整体评分上保持领先。然而，一些PresentAgent变体表现出有竞争力的性能。例如，GPT-4o-Mini在视频内容和视觉吸引力方面获得了最高分（均接近或达到4.8），而Claude-3.7-sonnet则在音频质量方面表现最为平衡（均分为4.53）。
有趣的是，Gemini-2.5-flash在视觉质量上取得了最高得分（5.0），但在理解性方面较低，这反映了美观性与清晰度之间的权衡。这些结果突显了我们模块化生成流程的有效性，以及统一评估框架PresentEval在捕捉演示质量多个维度方面的实用价值。
案例分析
图5PresentAgent自动生成演示视频示例
图5体现了一个完整的PresentAgent自动生成演示视频示例，其中一篇技术博客被转化为带解说的演示。系统识别出结构性片段（如引言、技术解释等），并为其生成了包含口语风格字幕和同步语音的幻灯片，涵盖了「并行化工作流」、「代理系统架构」等技术主题，展示了系统在保持技术准确性的同时，以清晰、对话式方式传达信息的能力。
“实际上就是‘打样’。”李瀚明认为，国泰开航证明了乌鲁木齐机场具备保障顶级航司的能力，会产生示范效应。国泰飞得好，其他国际顶级航司，以及东亚、东南亚的航司都会考虑跟进。除了证明机场的保障能力，也是新疆以此为契机，对外释放开放活力的强烈信号。延伸阅读：与 演讲生成【黑科技】 Pr：esentAgent从、文本到演讲视频 的相关文章利剑玫瑰
以军袭击伊朗核反应堆和核武器基地
周杰伦强直性脊柱炎
这么带感的恶女七根心简有个
歌手直播
男子一周吃次火锅查出食管癌
歌手袭榜
李莎旻子请停止整
桃黑黑今天没法直播了
李莎旻子请停止整
