WeVisCut آپریشن میں

WeVisCut Tencent WeChat Vision کا اوپن سورس طویل ویڈیو خودکار ایڈیٹنگ Agent ہے۔ وائس اوور اسکرپٹ درج کریں، 9B کا ایک چھوٹا ماڈل مشترکہ پروڈکشن اسٹیٹ والے رن ٹائم کی مدد سے خودکار طور پر اسٹوری بورڈ، وائس اوور، مواد کی تلاش، کمپوزیشن اور معیار کی جانچ و اصلاح مکمل کرتا ہے اور چند منٹ کی مکمل ویڈیو براہِ راست تیار کرتا ہے۔ WeVisCut نے Editing Inversion + Verified Replay پائپ لائن کے ذریعے 3,750 مکمل ویڈیوز سے 130,000 سے زیادہ تربیتی ڈیٹا ریکارڈز بحال کیے۔ جائزوں میں اس کی کارکردگی Claude Opus 5 کے برابر رہی، پیدا کردہ ٹوکنز میں تقریباً 33 گنا کمی ہوئی، اور ہر منٹ کی مکمل ویڈیو کی لاگت صرف $0.09 ہے۔

اسکرپٹ سے طویل ویڈیو: وائس اوور یا معلوماتی اسکرپٹ درج کریں اور خودکار طور پر چند منٹ کی مکمل ویڈیو تیار کریں، دستی اسٹوری بورڈ کی ضرورت نہیں۔
ایک ہی حکمتِ عملی سے مکمل فیصلہ سازی: ایک 9B ماڈل آرکیسٹریٹر، جنریٹر اور نقاد، تینوں کردار ادا کرتا ہے اور کئی مراحل پر مشتمل Agent ورک فلو کی جگہ لیتا ہے۔
مشترکہ پروڈکشن اسٹیٹ: harness شاٹس، مواد اور ٹائم لائن سمیت اسٹیٹ کو مستقل محفوظ رکھتا ہے؛ پچھلے مرحلے کے ٹول کا نتیجہ براہِ راست اگلے مرحلے کے فیصلے کو محدود کرتا ہے۔
بند لوپ معیار کی جانچ و اصلاح: حکمتِ عملی خودکار طور پر مکمل ویڈیو کی جانچ کرتی، ناکامی کی جگہ معلوم کرتی اور محدود مقامی اصلاح کرتی ہے، جبکہ کامیاب حصوں کو دوبارہ نہیں بناتی۔
ڈائریکٹر سے گفتگو کے ذریعے ترمیم: پہلی مکمل ویڈیو کے بعد چیٹ کے ذریعے مواد تبدیل کریں، موسیقی بدلیں یا سب ٹائٹلز ایڈجسٹ کریں؛ حکمتِ عملی مقامی طور پر دوبارہ منصوبہ بندی کرکے ترمیم شدہ نتیجہ فراہم کرتی ہے۔
قابلِ ترمیم ٹائم لائن کی فراہمی: Studio رن ٹائم 8 ٹریک والی ٹائم لائن فراہم کرتا ہے، جس میں ہر شاٹ کو دوبارہ رینڈر کرنے اور ورژنز واپس لانے کی سہولت ہے۔
کم لاگت نجی تعیناتی: ہر کامیاب منٹ کی پیداوار پر تقریباً $0.09 اور 2.1 منٹ کا وال کلاک وقت درکار ہے؛ 9B وزن اوپن سورس ہیں اور مقامی طور پر تعینات کیے جا سکتے ہیں۔

WeChat پر فالو کریں اور “开源” کا جواب دے کر AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں۔
مسئلے کی تعریف: طویل پروڈکشن چین میں اسٹیٹ مینجمنٹ۔ طویل ویڈیو کے اسکرپٹ کو ویڈیو میں تبدیل کرنے کی دشواری یہ ہے کہ مواد کا انتخاب، ٹول کا نفاذ اور اصلاح کے فیصلے ایک دوسرے پر منحصر ہوتے ہیں؛ ہر شاٹ کا مقامی طور پر درست ہونا پوری ویڈیو کے مربوط بہاؤ کی ضمانت نہیں دیتا۔ اگر اسے کئی عمومی Agent مراحل میں تقسیم کیا جائے تو ہر مرحلے میں عالمی سیاق کو دوبارہ serialize کرنا پڑتا ہے، جس سے ٹوکن اور کال کی لاگت شاٹس کی تعداد کے ساتھ خطی طور پر بڑھتی ہے۔ WeVisCut کا بنیادی خیال یہ ہے کہ ایک 9B حکمتِ عملی پوری پروڈکشن اسٹیٹ کو برقرار رکھے، تاکہ “پورے سیاق کو سمجھنا” ہر قدم پر دوبارہ کرنے کے بجائے مسلسل ایک بار انجام پائے۔
اسٹیٹ پر مبنی Harness: مشترکہ پروڈکشن اسٹیٹ۔ Runtime ایک مستقل production state برقرار رکھتا ہے اور صرف تصدیق شدہ ٹول نتائج کو اسٹیٹ میں لکھتا ہے۔ حکمتِ عملی ہر بار صرف ایک ٹول کال بھیجتی ہے اور موجودہ اسٹیٹ سے قانونی کارروائی منتخب کرتی ہے؛ غیر قانونی کال کو ٹائپ شدہ blocker مسترد کر دیتا ہے، جس سے پہلے مطلوبہ انحصارات مکمل کرنا اور پھر دوبارہ کوشش کرنا لازم ہو جاتا ہے۔ اسٹیٹ اور ماڈل کا سیاق الگ رہتے ہیں، اس لیے حکمتِ عملی کو پوری سابقہ تاریخ بار بار ساتھ لے جانے کی ضرورت نہیں ہوتی۔
ایک حکمتِ عملی، تین کردار: مشترکہ پیرامیٹرز والی حکمتِ عملی رول روٹنگ کے ذریعے آرکیسٹریٹر، جنریٹر اور نقاد کا کردار ادا کرتی ہے۔ ایکشن اسپیس 12 ٹولز تک محدود ہے، کوئی hard-coded مرحلہ وار مشین نہیں؛ پوری ٹریجیکٹری کا فیصلہ حکمتِ عملی خود کرتی ہے اور حفاظتی رکاوٹیں صرف غیر قانونی کالز کو روکتی ہیں۔
تربیتی ڈیٹا: Editing Inversion + Verified Replay۔ مکمل ویڈیو صرف نتیجہ دکھاتی ہے اور ایڈیٹنگ کا ارادہ ظاہر نہیں کرتی، اس لیے مصنف نے چار مرحلوں کی پائپ لائن سے سپروژن بحال کیا: پہلے مکمل ویڈیو سے اسکرپٹ اور شاٹ کا ارادہ اخذ کیا، پھر runtime میں دوبارہ چلا کر قابلِ عمل ہونے کی تصدیق کی، ری پلے میں خامیاں سامنے آنے پر محدود اصلاح کی اور کامیاب مصنوعات محفوظ رکھیں، آخر میں عمل کے ریکارڈ کو ٹول فیڈبیک والے تربیتی نمونوں میں تبدیل کیا۔ 3,750 مکمل ویڈیوز کو 134,771 قابلِ عمل سپروائزڈ ڈیٹا ریکارڈز میں تبدیل کیا گیا، جس سے ماڈل ناکامی کے بعد بحالی سیکھتا ہے۔
تین مرحلوں کی تربیت: یکساں SFT اور runtime تصدیق والے RFT سے ٹول استعمال اور بحالی کے رویے کی ابتدائی تربیت مکمل کی گئی؛ Guided-OPD نے بحالی کے فیصلوں کی تربیت کے لیے استاد کی مداخلت شامل کی، جو تربیت کے ساتھ بتدریج کم کی گئی؛ RCF-DAPO نے ایک ہی کردار اور ایک ہی پروڈکشن سیاق میں امیدوار نتائج کا موازنہ کرکے فیصلہ سازی کے معیار کو بہتر بنایا۔ تینوں مراحل نے Overall اسکور کو بیس ماڈل کے 74.5 سے بڑھا کر 90.5 کر دیا۔

کوڈ حاصل کریں: GitHub سے ریپوزٹری کلون کریں github.com/Tencent/WeVisCut۔
ماحول تیار کریں: ریپوزٹری کی ہدایات کے مطابق Studio رن ٹائم اور انحصارات انسٹال کریں۔
ماڈل ڈاؤن لوڈ کریں: HuggingFace سے tencent/WeVisCut کے 9B وزن حاصل کریں۔
سروس شروع کریں: حکمتِ عملی اور ٹول رجسٹری لوڈ کرنے کے لیے اسٹارٹ اپ اسکرپٹ چلائیں اور Studio ویب انٹرفیس کھولیں۔
اسکرپٹ درج کریں: انٹرفیس میں وائس اوور یا معلوماتی طویل اسکرپٹ پیسٹ یا اپ لوڈ کریں۔
پروڈکشن دیکھیں: Agent خودکار طور پر ابواب اور شاٹس تقسیم کرتا، وائس اوور تیار کرتا، مواد تلاش کرتا اور حقیقی وقت میں ٹائم لائن بناتا ہے؛ پورا عمل دیکھا جا سکتا ہے۔
گفتگو کے ذریعے ترمیم: پہلی مکمل ویڈیو کے بعد ڈائریکٹر چیٹ ونڈو میں ترمیم کی ہدایات دیں اور مقامی طور پر نیا نتیجہ حاصل کریں۔
مکمل ویڈیو برآمد کریں: ٹائم لائن انٹرفیس میں ہر شاٹ کی تصدیق کے بعد حتمی ویڈیو برآمد کریں، یا ضرورت کے مطابق ورژن واپس لا کر دوبارہ رینڈر کریں۔

انتہائی کم لاگت: ہر کامیاب منٹ کی ویڈیو کے لیے صرف 2,377 پیدا کردہ ٹوکنز اور $0.09 درکار ہیں؛ 9B چھوٹا ماڈل نجی طور پر تعینات کیا جا سکتا ہے۔
قابلِ اعتماد فراہمی: پانچ اشاریوں کا Overall اسکور 90.5 ہے، جو بیس ماڈل سے 16 پوائنٹس زیادہ ہے؛ منصوبہ بندی کی تکمیل، طویل مدتی یکسانیت اور رینڈر شدہ آؤٹ پٹ کی شرح میں جامع برتری حاصل ہے۔
ایک حکمتِ عملی پورا عمل سنبھالتی ہے: واحد 9B ماڈل آرکیسٹریشن، جنریشن اور تنقید کے تین کردار ادا کرتا ہے، کئی مراحل پر مشتمل Agent ورک فلو کی جگہ لیتا ہے اور سیاق کو بار بار دوبارہ بنانے سے بچاتا ہے۔
اسٹیٹ کا مسلسل انتظام: مشترکہ پروڈکشن اسٹیٹ پچھلے ٹول کے نتیجے کو براہِ راست اگلے فیصلے سے جوڑتا ہے، اس لیے طویل عمل میں بہاؤ برقرار رہتا ہے اور پورے سیاق کو بار بار سمجھنے کی ضرورت نہیں پڑتی۔
خود اصلاح کی صلاحیت: تربیتی ڈیٹا میں ناکامی کے بعد بحالی کی ٹریجیکٹریاں شامل ہیں؛ حکمتِ عملی معیار کی جانچ، مسئلے کی نشاندہی اور محدود مقامی اصلاح کر سکتی ہے، جبکہ کامیاب حصے محفوظ رہتے ہیں۔
انٹرایکٹو ویڈیو ترمیم: مکمل ویڈیو کے بعد قدرتی زبان میں گفتگو کے ذریعے ترمیم کریں؛ مقامی طور پر دوبارہ منصوبہ بندی ہوتی ہے، دوبارہ شوٹنگ نہیں۔

پروجیکٹ ویب سائٹ: https://tencent.github.io/WeVisCut/
GitHub ریپوزٹری: https://github.com/Tencent/WeVisCut
HuggingFace ماڈل ریپوزٹری: https://huggingface.co/tencent/WeVisCut
arXiv تکنیکی مقالہ: https://arxiv.org/pdf/2610.38352

معلوماتی سائنس ویڈیوز کی بڑے پیمانے پر تیاری: سائنس سے متعلق طویل مضامین یا وائس اوور اسکرپٹس کو خودکار طور پر چند منٹ کی وضاحتی ویڈیوز میں تبدیل کریں، جو MCN اور روزانہ مواد شائع کرنے والے آزاد میڈیا کے لیے موزوں ہے۔
کارپوریٹ تربیت اور کورسز کی تیاری: تربیتی مواد اور لیکچر وائس اوور کو تیزی سے مکمل ویڈیو میں تبدیل کریں اور اندرونی تربیتی ویڈیوز کی آؤٹ سورسنگ لاگت کم کریں۔
خبری معلومات کی بصری پیشکش: مالیاتی اور ٹیکنالوجی خبروں کے اسکرپٹس میں خودکار طور پر تصاویر اور موسیقی شامل کرکے ویڈیو بنائیں، جو تیز رفتار خبری اکاؤنٹس کے لیے موزوں ہے۔
مارکیٹنگ اور مصنوعات کی وضاحت: مصنوعات کے متن سے ایک کلک پر تشہیری ویڈیو کا ابتدائی ورژن بنائیں، پھر مارکیٹنگ عملہ گفتگو کے ذریعے مواد اور انداز میں معمولی تبدیلیاں کرے۔
کثیر لسانی مواد کی عالمی اشاعت: اسکرپٹ کا ترجمہ کرنے کے بعد وائس اوور اور سب ٹائٹلز کے نئے ورژن براہِ راست تیار کریں اور ایک ہی پروڈکشن پائپ لائن کو بڑے پیمانے پر دوبارہ استعمال کریں۔