能不能火,AI知道

一部好劇本,不光是好口碑和大流量的基礎(chǔ),也能帶來更高的商業(yè)回報。因此,在評價劇本時,需要認(rèn)真對待。

與一般藝術(shù)作品的評價形式類似,影視行業(yè)也有一套完善的標(biāo)準(zhǔn),用來給劇本打分。

一個典型的劇本打分表格

參與劇本評價的成員,一份評分表,在每一條細(xì)則上打分。絕大多數(shù)情況下,總分反映劇本的好壞,并決定其接下來的命運。

無論中國還是外國,劇本的審讀者用自己的標(biāo)準(zhǔn),影響著劇本創(chuàng)作。然而,這樣的標(biāo)準(zhǔn)對于劇本創(chuàng)作來說,多少顯得主觀,并有意無意地迎合分析師或劇本審閱人的口味,甚至展開了有趣的攻防游戲。

典型的如影視數(shù)據(jù)專家史蒂芬·弗洛斯(Stephen Follows),他研究了12309部失敗劇本,并指出,一份劇本成功與否的三個關(guān)鍵是人物塑造、情節(jié)和風(fēng)格,而最不重要的三個因素則是格式、原創(chuàng)性和劇本的懸念。

他甚至總結(jié)出數(shù)條技巧,幫助編劇打動分析師和制片人。[9]

不過,如果越來越多的劇本都用了這些技巧,反而會增加篩選難度。實際上,視頻平臺每年要播出的網(wǎng)劇就有上百部,這還不算每年上線的網(wǎng)絡(luò)電影數(shù)量,對平臺來說,為了降低海量影視劇的篩選成本,就需要一個靠譜的工具,輔助專家決策、作者創(chuàng)作和文本審核。

人工智能可以解救編劇們于水火嗎?這得看AI審劇本的原理是否靠譜。

國內(nèi)外的劇本智能評價系統(tǒng),都建立在NLP(自然語言處理)技術(shù)上。利用這一技術(shù),計算機(jī)就可以“讀懂”劇本,這是AI評價劇本的基礎(chǔ)。

NLP技術(shù)是人工智能領(lǐng)域的一個分支,是一種能夠轉(zhuǎn)換人類文字語言與二進(jìn)制語言的技術(shù),能夠?qū)崿F(xiàn)人與計算機(jī)之間的有效通信。簡單來說,就是人和計算機(jī)之間的一個“翻譯機(jī)”。

NLP技術(shù)的作用 | 來源:easyai 

能看懂劇本還不夠,更重要的是讓AI形成標(biāo)準(zhǔn),知道該怎么讀懂、評價劇本。

國內(nèi)外目前比較普遍讓AI理解長文本的做法,是利用BERT等深度學(xué)習(xí)語言模型,對長文本內(nèi)容進(jìn)行分析與評估。模型的訓(xùn)練,需要搜集大量樣本數(shù)據(jù)訓(xùn)練AI,讓模型“學(xué)習(xí)知識”,再讓它把學(xué)到的經(jīng)驗投入應(yīng)用。

愛奇藝知文系統(tǒng)技術(shù)負(fù)責(zé)人溫旭告訴放大燈團(tuán)隊(ID:guokr233),作為愛奇藝內(nèi)部使用的內(nèi)容理解平臺,知文主要綜合使用經(jīng)典機(jī)器算法(貝葉斯平均、DBSCAN、XGBoost等)和深度語言模型(Attention、BERT、GRU等)[18],通過去中心化調(diào)度模式和統(tǒng)一管理平臺,對長文本進(jìn)行分析和評估。

愛奇藝知文系統(tǒng)

那……如何訓(xùn)練AI呢?還得靠人類。

溫旭表示,知文系統(tǒng)在開發(fā)初期,對標(biāo)注數(shù)據(jù)十分依賴,需要大量的人工標(biāo)注員做標(biāo)注工作。

這些標(biāo)注員的工作,就是在劇本里“打標(biāo)簽”。簡單的如標(biāo)記一個人名、地名,復(fù)雜的則有人物關(guān)系、人物性格、情節(jié)點等,AI看到劇本里的標(biāo)注,就知道劇本寫得好不好了。

在訓(xùn)練AI時,“題海戰(zhàn)術(shù)”非常關(guān)鍵——AI看的劇本越多,積累的知識和經(jīng)驗也越豐富,最后的評價結(jié)果也就越準(zhǔn)。

愛奇藝的知文系統(tǒng)有海量訓(xùn)練集,每一個樣本都有幾十乃至上百萬字。知文團(tuán)隊還在通過內(nèi)外部渠道,獲取更多劇本訓(xùn)練AI。

學(xué)成歸來,AI才有資格進(jìn)行“實戰(zhàn)”。

無論真人還是AI,對劇本的評估維度無非字?jǐn)?shù)、場次、結(jié)構(gòu)、人物、情節(jié)等。

兩者的差別在于,AI評價劇本的粒度足夠細(xì)致,而且因為標(biāo)準(zhǔn)統(tǒng)一,劇本能夠得到相對公正的對待。但不同的AI劇本評估系統(tǒng),所關(guān)注的側(cè)重點也有所不同。

比利時的AI評估系統(tǒng)Scriptbook,就更關(guān)注影視的票房表現(xiàn)。

該公司創(chuàng)始人納迪拉·艾澤瑪伊(Nadira Azermai)是美國根特大學(xué)的應(yīng)用經(jīng)濟(jì)學(xué)碩士[10]。在搭建Scriptbook的算法模型時,納迪拉便利用這方面的經(jīng)驗,“在融資、制作和發(fā)行之前,對電影的商業(yè)價值進(jìn)行客觀評估”。[11]

Scriptbook曾回顧性確定了2015～2017年間,索尼32部作品中有22部是“票房毒藥”。在2018年一場公開演講中,納迪拉表示“索尼本可以避免這22次失敗的投資,前提是使用Scriptbook的系統(tǒng)�！盵12]

相比Scriptbook“事后諸葛亮”式的回顧性研究,市場顯然更需要預(yù)測性研究的產(chǎn)品。

一個案例是南加州大學(xué)維特比工程學(xué)院研發(fā)的AI工具。它依然基于NLP技術(shù),能夠在影片制作前對作品進(jìn)行評級,幫助制片人調(diào)整暴力程度,降低后期重新拍攝或編輯的壓力。[13]

愛奇藝的知文系統(tǒng),與南加大的產(chǎn)品又有不同。在愛奇藝,知文能夠接觸到一批最新、最好的劇本,有機(jī)會直接應(yīng)用于大量優(yōu)質(zhì)劇本,鍛煉出深度的理解分析能力。這是創(chuàng)業(yè)公司和學(xué)校研究所無法提供的優(yōu)勢。

此外,知文還更關(guān)注劇本本身。

“主要是從長文本分析入手,側(cè)重點在于對劇本或者小說內(nèi)容本身的分析�！睖匦癖硎�,用戶只需要上傳前幾集劇本,知文就能從劇本的字?jǐn)?shù)、場次、人物、情節(jié)等維度,進(jìn)行初步分析。

這些維度也是有排序的,人物和情節(jié)對劇本的重要性更高,兩者的優(yōu)先級也更高。其中,人物包括角色有誰、角色性格、角色間的關(guān)系、角色的出場、互動、戲份、情感變化,而情節(jié)則包括沖突和精彩度等。知文會評估每一個細(xì)節(jié),并給出一個總的結(jié)論和評分。

知文系統(tǒng)對電影《我不是藥神》的劇本情感分析結(jié)果

總之,知文的工作就是盡可能地把劇本評價數(shù)據(jù)化、標(biāo)準(zhǔn)化。溫旭表示:“因為評價邏輯是一致的,它給出的評估結(jié)果,在大體方向上與編導(dǎo)的意見也不會相左�！�

賺錢不是影視行業(yè)的評價的唯一標(biāo)準(zhǔn),劇本本身是否優(yōu)秀更加關(guān)鍵。

知文系統(tǒng)識別劣質(zhì)劇本的人機(jī)一致率高達(dá)88%。正如愛范兒對這類產(chǎn)品的評價:“在這個爛片層出不窮的時代,如果能用AI把一些辣眼睛的電影扼殺在搖籃里,那也是極好的�！盵14]