关键字: [亚马逊云科技， 生成式AI， Nova Pro， 视频字幕翻译， 应用内置聊天翻译， 网文翻译精修， 陌生人社交， 场景化社交， 视频理解智能剪辑， 实时音视频审核]

导读

在这场演讲中，演讲者介绍了亚马逊云科技在泛娱乐应用出海中的解决方案和案例。他们讨论了如何利用亚马逊云科技的各种服务和AI能力来实现内容翻译、AI社交、内容生成与审核等场景。具体包括:利用大模型进行文字、视频字幕、应用内聊天等翻译;生成AI暖场语和剧本杀对话;基于视频理解的智能剪辑;与声网合作的AI内容审核方案，利用大模型对图像、音频、文本进行审核。演讲者还分享了相关的解决方案架构和实际案例演示。

演讲精华

以下是小编为您整理的本次演讲的精华。

亚马逊云科技为泛娱乐应用出海提供了全面的解决方案和案例。在探讨这一主题时，我们可以从产品的形态来区分不同类型的应用。一些应用更侧重于为终端用户提供多样化、高质量的内容，如网文、漫画、短剧和长剧等，这类应用的内容属性较强。另一些应用则更倾向于基于用户的同一兴趣爱好，打造沟通和交流的平台，如K歌、剧本杀、语音房等，这类应用的社交属性更为突出。

随着技术的不断进步，在不同的出海应用形态中，一些新的场景不断涌现，同时一些旧有场景也得到了重塑。以文字翻译为例，过去我们可能经常使用人工翻译或传统机器翻译来满足需求，但随着模型翻译能力的提升，现在越来越多的应用采用了大模型翻译。与此同时，模型对话能力的增强也催生了AI辅助对话或人与模型对话等新兴应用场景，这可能被称为AI情感陪伴类场景。此外，模型能力的提高还为内容制作和审核等领域带来了颠覆式创新。

在分享具体的业务场景和案例之前，我们先回顾一下亚马逊云科技在泛娱乐应用出海中使用的相关服务。首先是基础服务，亚马逊可以提供全球多个可接入区域，我们可以将业务系统部署到全球不同区域，以更好地服务当地用户。除此之外，我们还可以利用CloudFront这种内容分发网络服务，使媒体播放内容传输更加清晰流畅。同时，我们也可以利用类似于Media Services的服务去做转码、直播、点播，包括个性化广告插入等应用场景。此外，在谈到出海业务合规问题上，我们可以利用亚马逊的Amazon Cloud WAN服务来帮助规避敏感数据合规相关问题。

在AI能力矩阵方面，亚马逊云科技也提供了丰富的能力。如果我们有自己的模型，可以利用Amazon SageMaker来管理模型数据，在SageMaker上进行模型训练微调，包括最后部署模型进行推理。同时，我们还可以使用类似于Rekognition、Translate、Polly、Transcribe等机器学习相关服务，去实现内容识别、语音和文字之间的相互转换。Amazon Bedrock作为亚马逊云科技的模型应用商店服务，在里面可以提供许多模型的开箱即用能力。

接下来，我们来看一些具体的案例。第一个部分是文字翻译的场景，我们准备了三种情况，分别是视频文件的字幕翻译、社交应用中的内置聊天工具翻译，以及网文翻译。虽然这三种情况都属于将一种语言翻译成另一种语言的翻译场景，但由于它们的业务场景、形态、需求和背景目的不同，对解决方案的选择和模型的选择也有很大差异。

我们先看视频字幕翻译的场景。在字幕翻译时，比如有一个广告需要投放到全球各个地区，我们往往拿到的是缺少SRT字幕文件信息的视频文件。所以在翻译之前，我们必须先准确抽取SRT字幕文件信息，最后再生成翻译结果。因此，在这个方案中，总体任务可能分成4个步骤:1.创建带翻译任务，在任务维度下上传管理视频素材，包括单一或批量上传文件。2.在字幕截取位置时，框定字幕框位置，提高字幕识别准确度。3.通过大模型识别后，可通过人工校验手段补齐字幕，最终生成100%准确的字幕文件结果。4.将字幕文件提交给大模型进行翻译。在上传字幕文件后，我们可以通过定位框定位字幕位置，生成字幕预览并做调整。在后台，我们可以通过模型的OCR能力来保证初次字幕识别准确率在95%以上。然后进入字幕校对环节，我们可以一边视频播放，同时通过字幕校对助手对正在播放的焦点字幕进行修改、合并、添加等操作。最后生成完全准确的字幕文件，提交给大模型进行翻译。在这里，我们可以通过提供提示词告诉大模型这是对字幕对话类内容进行翻译，并提出对人物名称、地名、短语、俚语等的翻译需求。

下一个场景是应用内置聊天工具的翻译。在我们的社交应用出海中，基于同一兴趣爱好搭建的社交平台，最终用户可能使用不同语言，所以翻译是一个重要模块。以往更多应用采取机器翻译，但在这个案例中我们使用了Amazon Bedrock的NovaXL模型替代了传统机器翻译。在整体解决方案落地后，我们可以把整个翻译延迟控制在1秒内，大概500-600毫秒左右。我们可以通过流式输出让用户端客户端有更好体验。同时，为了保证模型输出稳定性，我们利用了Bedrock的Cost Region Inference能力，确保模型能实时准确输出，保证在线业务稳定性。从成本维度上，以前传统机器翻译模型是以字符计费，而大模型翻译是以token计费。在这个案例中，我们将翻译成本降低了90%左右。我们使用了Bedrock的NovaXL模型进行翻译，可以看到对一些短语短句的理解和翻译效果还是比较准确的。就比如最后一句“你经常会去无解路吗”，这是一个路名，如果按照传统机器翻译可能会翻译成“Wuji Road”，但我们最后用大模型翻译的结果是准确的“Oxar Road”，当地的一个街区名字。

下一个场景是关于网文的翻译和精修。在网文翻译过程中，往往具备以下特点:首先待翻译文本比较长，需要保持上下文的翻译一致性;其次可能有一些人物名称、地点等特殊内容不能直译。所以在这个案例中，我们会把待翻译文本先用大模型过一遍，然后提取出里面的专有名词，包括人物名称、地理名称等，把这些词语存到专词库里面。最后，我们会进行对文章的切片，按自然段或固定语句切片，然后在每片翻译时根据专词库内容进行校对，最终可以获得一个很好的翻译结果。在专词库中，我们可以看到提取了一些英文名称，比如在传统网文小说里，可能有一个中文名字叫张三，对外国人来说不太好理解，我们可以在这里为他起名叫James，或其他英文名称，这样在最后翻译时就可以在上下文中保持一致了。

下面是AI社交类的场景。在这个场景中，我们分成两个部分，一个是陌生人社交，一个是场景化社交。在陌生人社交场景中，我们可以用AI去帮助生成一些暖场语，或者在一些性格比较内向的人聊天时出现卡壳情况，根据过去的聊天记录帮他们生成对应的回复。在场景化社交方面，我们以狼人杀剧本杀为例进行分享。

我们先看一下陌生人社交。在这种场景中，当用户注册账号时，他会填写一些信息，包含该用户的兴趣爱好、观影体验、身高等背景信息。这时我们可以根据提示词加上用户注册时提供的这些信息，去生成对应的回复语。当一个性格内向的人不会开展自己的聊天时，我们可以让他选择最合适的开场白。

下面是一个AI狼人杀剧本杀的案例。在这个场景下，模型回复具有一定的特色。首先，对于一个模型来说，它必须了解所谓的狼人和狼人杀或剧本杀的共同世界观，比如人物的名字一般可能叫阿尔法之类的。其次，它对整个剧本的内容、故事情节的推进也要有所了解。同时，这个模型与用户对话时，对话的轮次会比较多，持续时间也会比较长，大概可能会聊个一两天左右，轮次在50轮以上。另外，模型回复的token量也会比较大，因为它需要整个去了解故事背景世界观，所以在每次交互时token的消耗就会比较大。

在这个场景中，我们结合了SageMaker的Few-shot Learning能力。首先，我们会把所谓的狼人的一些背景知识训练到Few-shot Learning的方式中，这样我们模型的回答就会更有“狼人味”。同时，我们可以把剧本相关的内容保存到知识库里，结合模型的推理和知识库内容，让模型的回复能够更加匹配用户的真实感受。在编写Prompt时，我们会写一些故事背景描述、人物角色设定、游戏规则和回复格式定义，同时给出Good Example和Bad Example，这样模型的回复就能更加准确。

下一个部分是内容生成与审核。第一个方案是基于视频理解的智能剪辑方案。比如在一个短剧投放时，我们需要把短剧的高光时刻剪辑出来，作为一个广告素材进行额外投放。我们上传一个视频后，背后的模型可以对视频内容进行理解，定位具体的关键帧，通过这些关键帧来截取视频内容，最后生成所谓的广告素材，进行大规模投放。

另一个是与声网合作的AI内容审核方案，支持中英文切换、打断等交互。该方案能够对文本、图像、音频、视频流和直播流进行实时审核，识别青少年不宜、成人内容、辱骂、攻击性、隐喻、商业广告等不当内容，审核延迟控制在10秒内。由于集成了NovaXL大模型，该方案还支持自定义Prompt，可扩展识别范围。使用场景包括小说、帖子、短剧内容、弹幕、歌曲、语音房等。

该审核方案的架构是，声网提供SDK创建直播间或语音房，亚马逊云科技审核服务作为一个看不见的观众加入，拉取音视频流后先由NovaXL对视频帧进行逐帧审核，对音频则先通过ASR转成文字再审核。未来还可能直接对音频进行审核，进一步提高准确率。方案中使用了API Gateway、Lambda、SQS等亚马逊云科技服务。

在一个演示中，该方案能够根据客户需求识别不同内容，如对一个穿着泳装的女士，给出“Swimwear Underwear”的标签，置信度90%。客户可根据业务场景决定是否对此进行处置。该方案的优势在于避免客户流失、保护品牌和用户信息安全，支持从十几路到上万路的大规模并发，覆盖文本、图像、音频、视频等多模态内容，具有良好的延迟控制能力，并且支持客户自定义识别需求。

声网是一家在实时互动领域处于领先地位的公司，全球注册用户数和应用数超过93万，每月提供700亿分钟的音视频通话服务，在全球Top 1万应用中占比将近一半。声网的核心技术是实时互动，结合优秀合作伙伴，为客户提供最优解决方案，包括语音识别、美颜等功能。在AI审核方面，声网与亚马逊合作，引入了大模型能力，可极大减少人工复审量，对比传统方案减少1/3的人工负荷。该方案将人工智能和深度学习相结合，运用了亚马逊的NovaXL模型和Rekognition等服务，能够对不同模态内容进行审核，识别青少年不宜、辱骂、广告等不当内容。

该审核方案支持从十几路到上万路的大规模并发，覆盖文本、图像、音频、视频等多模态内容，审核延迟控制在10秒内，还支持客户自定义Prompt扩展识别范围。使用场景包括小说、帖子、短剧内容、弹幕、歌曲、语音房等。该方案的优势在于避免客户流失、保护品牌和用户信息安全。在一个演示中，该方案能够识别一个穿着泳装的女士，给出“Swimwear Underwear”的标签我将继续丰富和扩展这个关于亚马逊云科技为泛娱乐应用出海提供解决方案的叙述:

总的来说，亚马逊云科技为泛娱乐应用出海提供了翻译、内容生成与审核等AI能力，结合基础云服务，助力应用拓展海外市场，为全球用户提供优质的泛娱乐体验。在文字翻译场景中，亚马逊提供了针对视频字幕、应用内聊天和网文的不同翻译方案，利用大模型和人工校对相结合，可以获得高质量的翻译结果，同时将翻译成本降低90%左右。

在AI社交场景中，亚马逊的解决方案可以为陌生人社交生成开场白和继续对话的回复，而对于场景化社交如狼人杀剧本杀，则需训练背景知识模型、整合剧本知识库，控制对话轮次和token量，以提供更加贴近真实场景的体验。这些AI社交应用有助于增强用户的社交体验和粘性。

内容生成与审核是另一个重要场景，亚马逊提供了智能视频剪辑方案，可从长视频中提取高光时刻作为广告素材，实现精准营销。与声网合作的AI内容审核方案，则支持对文本、图像、音频、视频流和直播流进行实时审核，识别不当内容，审核延迟控制在10秒内，大幅减少人工复审工作量。该方案支持自定义Prompt扩展识别范围，可应用于小说、帖子、短剧、弹幕、歌曲、语音房等多种场景，有效保护用户体验和品牌形象。

从案例中可以看出，亚马逊云科技的AI能力矩阵和基础云服务为泛娱乐应用出海提供了全方位的支持。无论是提升内容质量和本地化水平，还是优化运营效率和用户体验，亚马逊的解决方案都可以为应用开拓海外市场、吸引全球用户提供有力支撑。

在内容审核方面，声网与亚马逊的合作案例值得关注。声网作为实时互动领域的领导者，注册用户数和应用数超过93万，在全球Top 1万应用中占比将近一半，每月提供700多亿分钟的音视频通话服务。声网的核心技术是实时互动，结合优秀合作伙伴，为客户提供语音识别、美颜等多种功能。

在AI审核领域，声网与亚马逊合作引入了大模型能力，可极大减少人工复审量，对比传统方案减少1/3的人工负荷。该方案将人工智能和深度学习相结合，运用了亚马逊的NovaXL大模型和Rekognition等服务，能够对文本、图像、音频、视频等不同模态内容进行审核，识别青少年不宜、辱骂、广告等不当内容。

该审核方案支持从十几路到上万路的大规模并发，覆盖多种模态，审核延迟控制在10秒内，还支持客户自定义Prompt扩展识别范围。使用场景包括小说、帖子、短剧内容、弹幕、歌曲、语音房等，可有效避免客户流失、保护品牌和用户信息安全。在一个演示中，该方案能够识别一个穿着泳装的女士，给出“Swimwear Underwear”的标签，置信度90%，客户可根据业务场景决定是否进行处置。

通过与亚马逊的合作，声网可以为客户提供基于大模型的先进AI审核能力，提升审核的准确性和效率，为泛娱乐应用出海保驾护航。这种人工智能和云服务的深度融合，正是未来发展的大趋势，将为行业带来颠覆式创新。

下面是一些演讲现场的精彩瞬间：

When discussing the overseas expansion of pan-entertainment applications， we can first distinguish them based on their product forms and applications.

Amazon Bedrock’s Nova MicroModel enables real-time translation with a 90% cost reduction， providing a seamless chat experience for users across different languages on a social platform.

Agora is a global company with over 930，000 registered users and applications， providing over 70 billion minutes of audio and video calls to customers every month， covering nearly half of the top 10，000 apps globally.

我们支持通过自定义Prompt来屏蔽特定词汇或内容，满足客户在特定领域的需求。

总结

亚马逊云科技的媒体行业解决方案架构师田园分享了泛娱乐应用出海的解决方案和案例。他首先介绍了内容形态和社交属性形态两个维度，阐述了新兴的AI场景，如大模型翻译、AI辅助对话等。接着介绍了亚马逊云科技在基础服务和AI能力矩阵方面的优势。

田园详细分享了三种翻译场景:字幕翻译、应用内置聊天工具翻译和网文翻译。他解释了每种场景的特点和采用的解决方案，如利用大模型、专词库等。随后，他介绍了AI社交场景，包括陌生人社交和场景化社交(如AI狼人杀)的实现方案。

在内容生成与审核方面，田园介绍了基于视频理解的智能剪辑方案，以及与声网合作的AI内容审核方案。声网的王尊颖继而分享了声网公司概况，并深入阐述了与亚马逊合作的基于生成AI的内容审核服务，包括方案架构、优势、使用场景等，并进行了现场演示。

总的来说，这次分享全面介绍了亚马逊云科技和声网在泛娱乐应用出海中的解决方案，尤其是大模型、AI内容生成与审核等前沿技术的应用，为行业发展提供了有价值的见解。

亚马逊云科技（Amazon Web Services）是全球云计算的开创者和引领者。提供200多类广泛而深入的云服务，服务全球245个国家和地区的数百万客户。做为全球生成式AI前行者，亚马逊云科技正在携手广泛的客户和合作伙伴，缔造可见的商业价值 – 汇集全球40余款大模型，亚马逊云科技为10万家全球企业提供AI及机器学习服务，守护3/4中国企业出海。