一种基于多模态语义对齐的视频训练数据生成方法

本发明公开了一种基于多模态语义对齐的视频训练数据生成方法，涉及音视频处理技术领域。具体包括以下步骤：（1）对视频中的音频、图像帧及文本信息进行多模态时间对齐，建立跨模态的时序映射关系；（2）基于所述时间对齐结果进行语义增强处理，提升专业术语的识别准确率；（3）根据语义密度与置信度对训练样本进行动态分级；（4）输出分级的结构化训练数据以适配不同训练阶段。旨在从视频数据源头提升训练数据的质量，避免大量冗余数据的出现和关键节点缺失。