视频旁白与画面内容不一致，怎样让多模态摘要分别说明信息来自哪里？

给每条摘要标注来自声音画面还是推断

适用于旁白谈未来计划，摘要却写成画面中已发生的事件，或仅凭表情就判断某人同意方案的情况。保存原视频及争议句，标明它需要哪种证据支持。来源可能包含字幕、背景文字和外部说明，这些身份不同，不能在摘要中自动合并成一个没有出处的确定结论。

核对字幕内容与真正可见事件

先检查模型实际收到的视频范围及音轨，确认关键片段没有被裁掉。再回放对应时间，分开核对可见动作和听到的话。若只提供抽帧，就不能假定声音内容也已被处理；字幕或屏幕文字可能本来就是被引用的资料，不应自动提升为影片作者亲自确认的事实。

要求分别描述观察与不确定解释

要求输出可观察事件与解释分别表述，对关键主张提供时间位置，缺少依据时保留未知。允许摘要压缩信息，但不能增加原片没有的因果、身份或承诺。必要时先做按时间的事件清单，再形成概括，让复核能追溯，而不是让模型先编一个故事再寻找相似画面解释。

回到对应时间验证每项主张

逐条回放验证摘要主张，特别检查数字、身份与决定是否有明确声音或画面支持。加入只有旁白、只有文字和画面含糊的样本，确认系统保留证据边界。成功标准是简化后仍忠于来源，不是摘要覆盖很多主题；带时间戳也需要实际核对，不能把格式当作证据。

本文没有分析用户视频或调用多模态接口。视频理解能力和采样方式随服务不同，时间位置也可能不精确。推断可以作为有标记的解释，但不应代替观察事实；对于需要证明真实身份或业务承诺的任务，必须采用更可靠的原始记录与人工确认。