北京大学研究团队打造的AI"演讲助手"，真的能从一句话生成完整演示视频吗？

这项由北京大学与拉筹伯大学联合开展的研究，以预印本形式发布于2026年5月，论文编号为arXiv:2605.11363，有兴趣深入了解的读者可通过该编号查询完整论文。研究团队推出了一个名为PresentAgent-2的智能框架，它能做到一件听起来颇为神奇的事情：你只需要输入一句话，比如"请解释一下扩散模型和流匹配"，系统就能自动搜集资料、制作幻灯片、生成配音，最终输出一段完整的演示视频。这不是简单的PPT自动生成，而是从无到有的完整演示视频创作流程。

在教育、科研和技术交流的场景里，一段好的演示视频远比一堆静态文字更能帮助人理解复杂内容。然而，制作这样一段视频往往需要查阅大量资料、设计幻灯片、撰写讲稿、录制配音，还要把各种图片和动画素材拼合在一起，耗时费力。此前已有一些研究尝试用AI来辅助这个过程，但它们几乎都有一个共同的前提条件：你需要先提供一篇完整的论文或报告作为原材料，AI只是帮你把现成内容"搬运"成幻灯片格式。PresentAgent-2要解决的，恰恰是这个前提条件本身——如果用户手头什么文件都没有，只有一个问题，系统能不能独立完成整个演示视频的制作？

这项研究的回答是肯定的。研究团队不仅构建了这套系统，还专门设计了一套名为PresentEval的评测基准，用来客观衡量系统生成的演示视频质量。整个研究涉及三种不同的演示风格，覆盖了从单人讲解到多人对话、再到现场互动答疑的多种真实场景。

一、从"给我原材料"到"给我一个问题"——这套系统究竟有多大不同

以往那些自动生成演示文稿的系统，就像一个技艺精湛的排版师：你把写好的文章递给他，他帮你排版成漂亮的幻灯片。可如果你什么都没写，只是说"我想要一个介绍量子计算的演讲"，这位排版师就束手无策了。

PresentAgent-2的定位更像是一位全能助手。你告诉他你想讲什么主题，他会先去图书馆和互联网上广泛搜集相关资料，筛选出适合演示用的内容，再把文字、图片、动态图和视频片段整合起来，最终为你生成一段有讲解声音、有幻灯片画面、有视觉素材的完整演示视频。整个过程你不需要提供任何现成文档。

这种转变的意义在于，它大大拓展了系统的适用范围。以前需要"有论文才能生成演示"，现在只需要"有问题就能生成演示"。一个中学生想了解神经网络，一位工程师想给同事讲解某个新技术，一位产品经理想快速制作一个概念介绍——这些场景都不需要先写好一篇完整的文章才能使用这套系统。

二、系统是如何工作的——一次完整的"从问题到视频"之旅

整个系统的运作流程可以用一次从委托到交付的制作旅程来理解。当用户输入一个问题时，系统首先做的事情不是立刻开始制作幻灯片，而是先把这个问题提炼成一个聚焦的主题。比如用户输入"请解释扩散模型和流匹配"，系统会将其理解为"扩散模型与流匹配的原理及对比"这样一个具体的研究方向。

接下来是最关键的环节——深度检索。系统会针对这个主题在网络上搜集候选信息来源，重点筛选那些适合演示用途的页面，比如教程页面、技术博客、演示demo页面和包含丰富图文资料的文章。筛选时有两个主要标准：一是页面的文字内容是否足够充实完整，不能是那种只有几行标题或碎片化描述的页面；二是页面是否包含有价值的多媒体资源，比如图片、动态图（GIF）或视频。通过层层筛选，系统最终形成一套包含文字、图片、动态图和视频的多媒体资源库。

有了这套资源库，系统才进入演示内容的生成阶段。它会规划整个演示的结构，决定分几张幻灯片、每张幻灯片讲什么内容、哪张幻灯片用哪些图片来辅助说明。文字资源被用来生成幻灯片标题、要点和讲解内容，图片资源被直接嵌入对应的幻灯片。

对于动态图和视频这类内容，系统有一个特别的处理方式：它不会把这些动态内容截成静止画面，而是在最终生成视频时，将它们直接叠加到对应幻灯片区域里，让它们在演示视频播放过程中保持动态效果。这意味着如果讲解某个算法的运行过程，幻灯片里可以嵌入一段真正在动的动画演示，而不是一张静止截图。

同时，系统为每张幻灯片生成对应的讲稿，并通过语音合成技术将讲稿转换为音频。最后，幻灯片画面、配音和多媒体素材被合成为一段完整的演示视频。

三、三种演示风格——同一套底层系统，三种不同的"讲课方式"

PresentAgent-2支持三种完全不同的演示模式，这三种模式共用同样的资料检索和幻灯片生成流程，但在讲稿生成和最终视频的呈现方式上各有不同。

第一种是单人演示模式。这是最基础的形式：系统生成一位虚拟讲师的讲解声音，按照幻灯片顺序逐一介绍内容。就像一位老师站在讲台上，对着屏幕上的PPT给学生讲课。这种模式适合正式的知识介绍场景，追求清晰、系统的内容传达。

第二种是讨论模式。这种模式会把演示内容转化成多位虚拟讲师之间的对话。但这里有一个关键设计：系统不是简单地把单人讲稿切分成几段分配给不同"嘴巴"朗读，而是为每位虚拟讲师分配不同的角色定位。比如，一位讲师负责提出引导性问题，另一位负责解释核心概念，第三位负责澄清细节，还有一位负责总结要点。这种角色分工让对话更像真实的学术讨论，而不是一个人分饰多角的独白。

第三种是互动模式。这种模式支持观众在演示过程中提出问题，系统会基于已生成的幻灯片内容、讲稿、检索到的资料以及整体演示背景来回答问题。当回答某个问题时，系统还能跳转到最相关的幻灯片页面作为佐证。这种模式模拟的是真实演讲场合中的现场答疑环节。

三种模式的存在让这套系统能够适应不同的使用场景——既可以作为自学工具生成一段完整讲解视频，也可以用来模拟一场小组讨论式的课堂，还可以支持观众与演示内容之间的实时互动。

四、如何评判一段AI生成的演示视频好不好——PresentEval评测基准的设计

判断一段演示视频是否优质，不能只靠人眼看看"感觉不错"这样模糊的印象。研究团队专门设计了PresentEval评测基准，为这个问题提供了更系统的答案。

这套基准的数据集包含60组"用户提问——参考视频"配对，参考视频来自公开视频平台、教育资源库和专业演示档案库。这60组数据按照三种演示模式各分配20组，分别对应单人演示、讨论演示和互动演示三个场景。每段参考视频时长约5到7分钟，足以涵盖一个完整的演示流程。在评测时，系统只接收用户提问，不提供参考视频或任何原始文档，然后生成演示视频，再与参考视频进行比较评估。

评测分为两个维度。第一个维度是客观的知识传达测试。评测团队根据参考视频的内容，为每个提问设计5道选择题，每道题有四个选项，考查演示视频是否传达了这个话题的核心知识点。评测时，由一个视觉语言模型（可以理解为一种能看懂视频内容的AI）扮演观众角色，仅凭生成的视频和自动转录的字幕来回答这5道题，答对一题得1分，满分5分。这个分数反映的是：这段视频有没有把用户想了解的知识真正讲清楚。

第二个维度是针对不同演示模式的主观质量评分，由同一个视觉语言模型扮演"有经验的观众"角色，对三个特定指标各打1到5分。对于单人演示，评分关注的是：视频有没有直接回答用户的问题并覆盖关键概念（问题回答度）；深度检索的文字和多媒体资料有没有被有效利用（检索效果）；幻灯片、讲解和视觉素材的组合是否连贯清晰（视频传达质量）。对于讨论演示，评分关注的是：对话格式是否让内容更易理解（讨论效果）；不同讲师的角色是否形成有效互补（角色互补性）；对话是否自然流畅（对话传达质量）。对于互动演示，评分关注的是：对观众问题的回答是否准确直接（回答效果）；回答是否清晰易懂无歧义（内容可理解性）；回答是否切实帮助了观众理解（互动帮助度）。

这套评测框架的设计思路体现了一个核心判断：好的演示视频不只是内容正确，还要以适合具体演示场景的方式呈现。知识传达测试和主观质量评分相互配合，分别从"讲没讲到位"和"讲得好不好"两个角度衡量系统表现。

五、实验结果说明了什么——数字背后的真实含义

研究团队测试了PresentAgent-2在五种不同语言模型骨干下的表现，包括Qwen3.5-VL-Plus、Claude Opus 4.7、Gemini 3.1 Pro、GPT-5.5和GLM-4.7V，同时还设立了一组"人类参考"的基准数据，也就是用真人制作的参考视频本身去参加知识传达测试和主观质量评分。

在知识传达测试上，使用Qwen3.5-VL-Plus的PresentAgent-2在单人演示、讨论演示和互动演示三个模式上分别得到4.84、4.85和4.85分（满分5分）。对比来看，人类制作的参考视频在单人和讨论模式下分别得到4.82和4.83分。这意味着AI生成的演示视频在知识传达方面的客观表现，已经与人类制作的参考视频相当接近，甚至略有超出。这个结果说明系统能够通过深度检索覆盖大部分用户想了解的核心知识点。

在主观质量评分上，使用Qwen3.5-VL-Plus的系统在三种模式下的平均分分别为4.47、4.37和4.52（满分5分）。相比之下，人类参考视频在单人和讨论模式下的平均分分别为4.46和4.40。AI生成的视频在整体主观质量上也与人类参考水平基本持平。

五种语言模型骨干的横向对比也很有参考价值。Qwen3.5-VL-Plus和Claude Opus 4.7表现相对更好，Gemini 3.1 Pro和GPT-5.5次之，GLM-4.7V在多数指标上得分相对较低，但整体差距并不悬殊，各模型在三种演示模式上的表现都保持了较高水准。

六、去掉某个功能会怎样——消融实验的发现

研究团队还做了一系列"拆解实验"，逐一验证系统中各个设计选择的实际作用。

第一组实验围绕多媒体资源的使用展开。研究团队测试了三种配置：只使用文字资源不用图片和视频、使用图片和视频但将动态内容转为静态截图、以及完整使用包含动态媒体的全部资源。结果显示，去掉视觉资源后，主观质量评分有明显下滑，尤其是在深度检索效果和视频传达质量这两个指标上。而把动态内容降级为静态截图，虽然比完全不用视觉资源要好，但仍然不如保留动态媒体效果完整。这说明动态图和视频的加入确实让演示更生动，而不只是装饰性的。

第二组实验针对讨论模式的角色设计。研究团队比较了两种方案：一种是系统真正为每位虚拟讲师分配不同角色，另一种是先生成单人讲稿再随机切分给两个虚拟人物朗读。结果差异相当显著。随机切分方案的讨论效果评分从4.43降到4.01，角色互补性评分从4.22降到3.61，对话传达质量评分从4.47降到3.72，整体平均分从4.37降到3.78。这说明真正的角色分工设计，而不是表面上的"两个声音念稿子"，是讨论模式发挥作用的关键所在。

第三组实验针对互动模式的背景依托设计。研究团队对比了两种情况：一种是回答观众问题时有完整演示背景作为依据（包括幻灯片内容、讲稿和检索资料），另一种是直接把观众问题送给模型回答而不提供任何演示背景。去掉背景依托后，回答效果评分从4.65下降到3.82，整体平均分从4.52降到3.97，下降幅度相当明显。这印证了互动演示中"答案要扎根于演示内容"这一设计原则的必要性——脱离演示背景的回答，即使内容上可能正确，也难以与当前演示形成连贯呼应。

七、系统目前还有哪些不足——研究团队的坦诚说明

研究团队在论文中明确指出了这套系统的几个现实局限，这种坦诚值得关注。

首先，系统的输出质量在很大程度上取决于网络上能检索到多少高质量的多媒体资源。如果用户输入的问题涉及一个公开资料很少的冷门领域，或者网络上这个话题的相关页面质量普遍不高，那么生成的演示视频在视觉素材和内容深度上都可能大打折扣。

其次，互动演示模式存在错误传播的风险。整个互动答疑建立在前序步骤（检索、幻灯片生成、讲稿生成）的基础之上，如果前面某个环节出了问题，这些错误会随着流程传导到最终的答疑环节，影响回答的准确性和有用性。

此外，评测基准规模相对有限，60组数据覆盖的领域和场景还不够广泛。研究团队也坦言，未来需要在更多领域、更长的演示时长和更精细的人工评估方面进一步扩展这套基准。

说到底，PresentAgent-2做的事情可以用一句话概括：它让普通人获得了一位能够自主学习、自主制作演示视频的AI助手。你不再需要先成为某个领域的专家，写好完整的讲稿和报告，才能获得一段像样的演示视频；你只需要有一个想了解的问题，系统会替你完成剩下的工作。

这种转变在教育领域、职场知识分享和科普传播上都有直接的实用价值。一位老师想快速准备一节新课、一位新员工需要向团队介绍一个技术方向、一位家长想给孩子解释一个科学概念——这些场景都可能因此变得更加便捷。当然，系统在冷门话题上的表现、以及多级错误传播的问题，都是在实际使用中需要留意的地方。

对于这套系统背后更深层的技术细节，或者想了解评测基准的完整设计规则，有兴趣的读者可以通过arXiv论文编号2605.11363找到完整原文，代码也已在GitHub上公开发布。

---

Q&A

Q1：PresentAgent-2和普通的PPT自动生成工具有什么区别？

A：普通PPT自动生成工具通常需要用户提供现成的文章或报告作为原材料，工具负责排版和美化。PresentAgent-2的不同之处在于，它能从一句用户提问出发，主动在网络上检索资料、筛选多媒体素材，再生成幻灯片、讲稿、配音，最终产出包含动态图和视频的完整演示视频，整个过程不需要用户事先准备任何文档。

Q2：PresentAgent-2生成的讨论演示中，多个"讲师"的声音是怎么来的？

A：系统通过语音合成技术生成不同角色的声音。更关键的是，这些角色不是简单地分段朗读同一份讲稿，而是系统为每个角色分配了不同的职能，比如一个负责提问、一个负责解释概念、一个负责澄清细节、一个负责总结要点，这样对话才会有真实讨论的质感。实验数据也验证了，简单切分讲稿的方案比角色分工的方案在质量上有明显差距。

Q3：PresentEval评测基准是怎么保证评分客观公正的？

A：PresentEval采用了两种互补的评测方式。客观部分是5道选择题测试，考查生成视频有没有传达关键知识点，评分逻辑清晰。主观部分使用视觉语言模型扮演观众角色打分，模型能同时参考生成视频、参考视频、检索到的资料和转录字幕，依照明确的评分标准对每个指标打分。两种方式结合，分别衡量"讲没讲到位"和"讲得好不好"，避免单一评判维度带来的偏差。