WeVisCut：Tencent、90億パラメータの動画編集エージェントを無償公開

Tencentが包括的な動画編集エージェントをオープンソース化した。WeChat Visionと西安電子科技大学の研究者らは、記事やナレーション原稿を数分間の編集済み動画へと変換する90億パラメータのモデルWeVisCutを公開した。コード、エディタ、データ生成パイプラインはApache 2.0ライセンスで公開され、モデルの重みはHugging Face上で提供されている。ただし、重みのライセンスには明確化すべき点が残る。GitHubリポジトリのライセンスファイルにはApache 2.0の対象に含まれると記載されているが、Hugging Faceのページでは重みやサードパーティ製コンポーネントに固有の規約が案内されている。

複数のエージェントチームに代わる単一の小型モデル

AIを活用した動画編集システムの多くは、大規模な汎用モデルによって制御される複数のエージェントを連携させている。WeVisCutはその逆を行き、単一のモデルが指揮者、ライター、批評家の役割を交互に担う。各ステップにおいて、プロジェクトの状態を読み取り、12種類のツールのうち1つを呼び出す。テキストのチャプター分割、カット割り計画、ナレーション音声の生成、画像検索、モーションテンプレートの適用、BGM選定、カットのレンダリング、成果物の判定、自己修正、そして結合である。動画1本あたり平均約12回の呼び出しを要する。

出力結果はStudioと呼ばれるエディタで開き、同期された8つのトラック（チャプター、カット、ナレーション、字幕、画像、テンプレート、BGM、レンダリング）で確認できる。ユーザーは手動または対話形式（「0:15の画像を差し替えて」など）でカットを修正でき、変更された部分のみが再計算される。

完成した動画からの逆算トレーニング

研究チームが論文で説明している難点は、完成した動画には編集の意思決定プロセスが一切記録されていない点にある。そこでチームは、Bilibiliに投稿された3,750本の解説動画（科学、テクノロジー、金融、歴史など）を「逆アセンブル」して各カットの意図を復元し、エラーや修正作業も含めて独自のツールで編集プロセスを再現した。これにより得られた134,771件の学習データを用いて、強化学習の2フェーズを含む3段階のプロセスでQwen3.5-9Bをファインチューニングした。

Claude Opus 5と互角、トークン数は33分の1

論文の実験結果によると、チームが設計した100のタスクからなるベンチマークにおいて、WeVisCutの総合スコアは90.5に達し、同じツール群を用いたClaude Opus 5の89.9と互角であった。特筆すべきは、完成動画1分あたりの生成トークン数が2,377にとどまり、Opus 5の78,763に対して約33分の1に抑えられている点である。他の2つの研究用システムであるCrayotterやVideoAgentに対しても、5つの評価指標すべておよび3名の評価者による人間評価で上回った。このモデルの実行には、約24GBのNVIDIA GPUメモリが必要となる。