비디오-언어 모델
비디오-언어 모델은 영상 프레임과 텍스트를 동시에 입력으로 처리하여 장면 이해와 자연어 지시에 따른 편집 출력을 생성하는 모델이다. 이 모델은 프레임별 특징을 추출한 후 텍스트 인코딩과 정렬하여 시간적 컨텍스트를 반영한 어텐션 연산을 수행하며, 편집 지시(예: '하이라이트만 유지')를 토대로 클립 선택·자막·카메라 모션 합성을 결정한다. 본문에서는 긴 원본 영상에서 장면을 태깅하고 자연어 프롬프트로 편집 파이프라인을 구동하는 핵심 구성으로서 중요하다.