NTT Docomo 用 AI 當導播：每個人看的演唱會直播，鏡頭都不一樣
NTT Docomo 10 月 23 日發表個人化直播自動編輯技術，以 VLM 模型兼顧本命特寫與舞台全景，11 月將在 NTT R&D 論壇搭配音響 XR 公開展示。
看演唱會直播時，你最想盯著誰看？NTT Docomo 10 月 23 日發表的「個人化直播自動編輯技術」，就是要讓這個問題不再需要觀眾自己動手回答：系統會事先記住你指定的本命成員，再由 AI 自動剪出一支以他為主、又不錯過舞台全景的直播。
過去的直播只有兩種選擇：所有人看同一支導播剪好的畫面，或者自己動手切換多機位。前者顧不了個人偏好，後者雖然自由，卻有一個老毛病——只顧著盯本命，就很容易錯過整體演出與其他成員的亮點。Docomo 這次想解決的，正是這種「顧此失彼」。
VLM 同時讀懂畫面與語言，當起自動導播
這項技術的核心是 VLM（Vision Language Model），一種能同時處理影像與文字資訊的 AI 模型。它會一邊辨識舞台上正在發生什麼，一邊依照觀眾預先設定的偏好做判斷：什麼時候該給本命一個特寫，什麼時候該拉回全景交代整體編排，兩者之間如何銜接才不會讓人出戲。
對觀眾而言，體驗上的差別很直接：不用再一邊看表演一邊忙著按切換鍵，播出來的畫面已經是按自己口味調配好的版本。Docomo 強調，這不是單純把某位成員的鏡頭放大，而是在個人偏好與整體演出之間取得平衡的編輯。
11 月論壇將結合音響 XR，連聲音也一起個人化
這項技術將在 11 月 18 日至 20 日、24 日與 25 日於 NTT 武藏野研究中心舉辦的 NTT R&D 論壇上，以體驗展示的形式亮相。展示會搭配 NTT 的音響技術「音響 XR」：除了畫面自動編輯，還能強調特定歌手的歌聲、並依照表演者在舞台上的位置控制聲音方向。
也就是說，觀眾未來可能同時得到兩種個人化：眼睛看到的是本命與全景交錯的剪輯，耳朵聽到的則是被突顯出來的主唱歌聲。Docomo 表示，接下來除了音樂直播，也在評估把這套做法延伸到運動賽事轉播，以及搭配 XR、AR 眼鏡的觀看體驗；更長遠的目標，則是為 6G 時代的大容量、低延遲傳輸做準備，讓這類高度個人化的影音服務能同時服務大量觀眾。
從「大家看同一台」到「每個人看自己的版本」，直播的個人化競賽，正在從選台進化到剪輯本身。
資料來源
- NTT Docomo 官方新聞稿：AIで一人一人の嗜好に合わせたライブ映像を自動構成する「パーソナライズ映像自動構成技術」を開発（2026 年 10 月 23 日 15:00）
- 日本經濟新聞：NTTドコモ、一人一人の嗜好に合わせたライブ映像を自動で構成する「パーソナライズ映像自動構成技術」を開発（2026 年 10 月 23 日）
- PR Times：NTT Docomo 新聞稿轉載（2026 年 10 月 23 日）