تُعتمد النماذج الكبيرة للغة الفيديو الحديثة (Video LLMs) غالبًا على التسميات البشرية المكلفة أو واجهات برمجة التطبيقات الخاصة بالنماذج (مثل GPT-4o) لإنتاج بيانات التدريب، مما يحد من إمكانية تدريبها على نطاق واسع. في هذا البحث، نستكشف تدريبًا على نطاق واسع للنماذج الكبيرة لغة الفيديو باستخدام نصوص محوسبة تلقائيًا من التعرف على الكلام (ASR) بتكاليف منخفضة. وبشكل خاص، نقترح منهجية تدريب مُتَدَفِّقة جديدة تُدمج بشكل كثيف كلمات ASR مع إطارات الفيديو وفقًا لتواريخها الزمنية. مقارنةً بالدراسات السابقة في تمثيل الرؤية واللغة باستخدام ASR، فإن منهجيتنا تتماشى بشكل طبيعي مع الخصائص التدفقية لـ ASR، مما يمكّن النموذج من تعلم نمذجة رؤية-لغة دقيقة ومرتبطة زمنيًا. ولدعم خوارزمية التدريب، نقدّم خط أنابيب لإنتاج البيانات لمعالجة مقاطع يوتيوب ونصوص الترجمة المغلقة (CC، المكافئة لـ ASR)، مما يؤدي إلى إنشاء مجموعة بيانات Live-CC-5M لمرحلة التدريب المسبق، وLive-WhisperX-526K لمرحلة التدريب المُوجَّه عالي الجودة (SFT). وبشكل لافت، فإن النموذج المُدرَّب مسبقًا باستخدام ASR فقط، LiveCC-7B-Base، يُظهر أداءً تنافسيًا في مهام الاستفسار العام عن الفيديو، ويُظهر أيضًا قدرة جديدة في التعليق المباشر على الفيديو. ولتقييم هذه القدرة، صممنا بعناية معيارًا جديدًا يُسمى LiveSports-3K، باستخدام نموذج لغة كبير كـ "قاضٍ" لقياس جودة التعليق الحر. أظهرت التجارب أن النموذج النهائي LiveCC-7B-Instruct يمكنه التفوق على نماذج متقدمة بحجم 72B (مثل Qwen2.5-VL-72B-Instruct وLLaVA-Video-72B) من حيث جودة التعليق، حتى أثناء العمل في الوضع الزمني الفعلي. وفي الوقت نفسه، حقق أداءً متميزًا على مستوى 7B/8B في معايير الفيديو الشهيرة مثل VideoMME وOVOBench، مما يُظهر التعميم الواسع لمنهجيتنا. تم إتاحة جميع الموارد المتعلقة بهذا البحث عبر الرابط التالي: https://...