Video Narration Captioning

视频叙述字幕生成（Video Narration Captioning）是计算机视觉领域的子任务，旨在预测多镜头视频中每个镜头的叙述字幕。该任务通过引入自动语音识别（ASR）文本作为额外输入，利用与单镜头视频字幕生成相同的模型结构，但预测目标为叙述字幕。视频叙述字幕生成不仅提供背景知识，还反映评论者的观点，对理解视频内容具有重要价值。