WeVisCut: Tencent pubblica in accesso libero un agente di montaggio video da 9 miliardi di parametri
Alcuni ricercatori di WeChat (Tencent) e dell'Università di Xidian hanno pubblicato WeVisCut, un agente da 9 miliardi di parametri che trasforma un testo o uno script di narrazione in un video montato di diversi minuti, con codice ed editor sotto licenza Apache 2.0 e pesi disponibili su Hugging Face. Sul proprio benchmark, il sistema eguaglia Claude Opus 5 generando circa 33 volte meno token.
Tencent rende open source un agente di montaggio video completo. Alcuni ricercatori di WeChat Vision e dell’Università di Xidian hanno pubblicato WeVisCut, un modello da 9 miliardi di parametri in grado di trasformare un articolo o uno script di narrazione in un video montato di diversi minuti. Il codice, l’editor e la pipeline di generazione dei dati sono stati rilasciati sotto licenza Apache 2.0, mentre i pesi sono disponibili su Hugging Face. La loro licenza resta però da chiarire: il file di licenza nel repository GitHub li include sotto Apache 2.0, ma la scheda di Hugging Face rimanda a condizioni specifiche per i pesi e i componenti di terze parti.
Un unico modello compatto invece di un team di agenti
La maggior parte dei «montatori» basati su IA concatena diversi agenti coordinati da modelli generalisti di grandi dimensioni. WeVisCut adotta l’approccio opposto: un singolo modello veste a turno i panni di regista, redattore e critico. A ogni fase analizza lo stato del progetto e richiama uno strumento tra dodici: suddivisione del testo in capitoli, pianificazione delle inquadrature, generazione della voce narrante, ricerca di immagini, compilazione di modelli grafici animati, selezione della musica, rendering di una scena, valutazione del risultato, autocorrezione e infine assemblaggio. In media, sono necessarie circa dodici chiamate per video.
Il risultato si apre all’interno di un editor, lo Studio, dotato di otto tracce sincronizzate (capitoli, inquadrature, narrazione, sottotitoli, immagini, modelli, musica, rendering). Da qui è possibile ritoccare manualmente un’inquadratura o farlo tramite chat («sostituisci l’immagine a 0:15»), ricalcolando esclusivamente gli elementi modificati.
Addestramento a ritroso da video completi
Come spiegano gli autori nel loro articolo scientifico, la difficoltà principale risiede nel fatto che un video finito non conserva traccia dei processi decisionali del montaggio. Il team ha quindi «disassemblato» 3.750 video commentati pubblicati su Bilibili (scienza, tecnologia, finanza, storia…) per ricostruire l’intento di ciascuna inquadratura, riproducendo poi questo montaggio attraverso i propri strumenti, errori e correzioni compresi. Il procedimento ha generato 134.771 esempi di addestramento, impiegati per perfezionare Qwen3.5-9B in tre fasi, due delle quali basate sull’apprendimento per rinforzo.
Pari merito con Claude Opus 5, consumando 33 volte meno token
Stando alle tabelle dei risultati pubblicate nell’articolo, su un benchmark di 100 task sviluppato dal team, WeVisCut raggiunge un punteggio complessivo di 90,5, a fronte dell’89,9 ottenuto da Claude Opus 5 impiegato con gli stessi strumenti. Soprattutto, il modello genera 2.377 token per ogni minuto di video riuscito, rispetto ai 78.763 di Opus 5: circa 33 volte meno. Anche rispetto ad altri due sistemi di ricerca, Crayotter e VideoAgent, il modello si posiziona davanti su tutte e cinque le metriche e secondo il giudizio di tre annotatori umani. Il sistema richiede circa 24 GB di memoria GPU NVIDIA.
La nostra lettura
WeVisCut punta a un formato molto specifico: il video esplicativo con voce fuori campo e immagini di repertorio, quello che domina piattaforme come YouTube e Bilibili. In questo contesto, dimostra che un piccolo modello specializzato può rivaleggiare con un modello all’avanguardia a una frazione del costo, funzionando su una singola scheda grafica. Restano due limiti: i punteggi derivano da un benchmark e da metriche definiti dagli stessi autori, e la qualità finale dipende dalle immagini reperite sul Web aperto, sollevando non pochi interrogativi sui diritti d’autore in ottica commerciale. Per i creator, il vantaggio immediato risiede nell’editor, che permette di intervenire liberamente sul progetto anche dopo il montaggio automatico, anziché restituire un file video bloccato.
Fonti
- arXiv — WeVisCut: The Whole Editing Room in One Agent, From Narration to Long-Form Video (2610.38352) Fonte primaria
- GitHub — Tencent/WeVisCut Fonte primaria
- Hugging Face — tencent/WeVisCut Fonte primaria
- GitHub — Tencent/WeVisCut, file LICENSE Fonte primaria
Una fonte primaria proviene direttamente dall'azienda, dal laboratorio o dall'ente interessato. Una fonte secondaria riporta l'informazione senza esserne l'autrice: la segnaliamo come tale. Un errore? Consulta la nostra politica di rettifica.
