VidScribe：视频生成中视觉文本渲染与原地编辑的统一基准测试

VidScribe 是一个覆盖 T2V、R2V、I2V、V2V 四种生成模式的视频文本诊断基准，包含 803 个人工验证样本和 12 轴正交因子空间。评测 11 个商业与开源系统后发现，视频文本能力非单一，I2V 最稳定，V2V 编辑是主要瓶颈，且退化集中在文本结构与时序因素。基准对齐的偏好优化可带来可测量的视觉文本生成提升。