StreamSoccer: Event-Driven Memory for Streaming Soccer Commentary
作者: Chenxi Shao, Bozhong Wang, Jiaxin Huang, Zhao Liu, Sunwei Zhu, Tianxin Hang, Gaoqi He, Yang Li, Changbo Wang
分类: cs.CV, cs.CL
发布日期: 2026-08-20
💡 一句话要点
提出StreamSoccer以解决实时足球解说中的状态更新问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 实时视频理解 事件驱动 足球解说 主动记忆 语义单元 动态信息整合 生成模型
📋 核心要点
- 现有方法在实时足球解说中面临状态更新和历史信息管理的挑战，难以有效整合和回忆信息。
- StreamSoccer通过事件记忆作为中间表示，设计了固定预算的主动记忆来整合视频流，并生成多种解说模式。
- 实验结果表明，StreamSoccer在当前事件和历史记忆解说轨道上排名第一，且在58场比赛的174个原始视频运行中表现出色。
📝 摘要（中文）
实时视频理解要求模型在视频流到达时因果性地更新状态，并将不断增长的历史组织成可以演变、持久和回忆的语义单元。在实时足球解说中，系统必须描述已完成的事件、总结最近的比赛、回忆早期事件或在每次发声前保持沉默。本文提出了StreamSoccer，一个基于事件驱动的系统，利用事件记忆作为中间表示。该系统通过固定预算的主动记忆整合流，局部保留已完成事件状态并整合为可检索的历史记录。统一生成器使用当前、最近和历史上下文生成三种解说模式，而规则辅助调度器选择模式或保持沉默。与基于帧、视觉标记或缓存的流视频语言模型不同，StreamSoccer明确建模事件生命周期。
🔬 方法详解
问题定义：本文旨在解决实时足球解说中状态更新和历史信息管理的挑战。现有方法难以有效整合和回忆信息，导致解说质量下降。
核心思路：StreamSoccer的核心思路是利用事件记忆作为中间表示，通过固定预算的主动记忆整合视频流，确保系统能够在不同时间范围内生成准确的解说。
技术框架：整体架构包括事件记忆模块、主动记忆整合模块和统一生成器。事件记忆模块负责存储和管理已完成事件，主动记忆整合模块处理视频流，统一生成器则根据上下文生成解说内容。
关键创新：StreamSoccer的主要创新在于明确建模事件生命周期，而不是依赖于预定义的剪辑或输出时间戳。这种方法使得系统能够更灵活地应对动态变化的比赛情况。
关键设计：系统设计中采用了固定预算的主动记忆，确保在计算和内存受限的情况下有效整合信息。生成器使用当前、最近和历史上下文生成解说，同时引入规则辅助调度器来选择合适的解说模式或保持沉默。
🖼️ 关键图片
📊 实验亮点
StreamSoccer在当前事件、最近窗口和历史记忆解说轨道上分别获得了38.62、23.96和17.39的CIDEr分数，当前事件和历史记忆轨道排名第一，最近窗口轨道排名第二。这表明事件记忆在控制长历史计算的同时，支持跨时间范围的实时足球解说。
🎯 应用场景
该研究的潜在应用领域包括体育解说、实时事件分析和智能助手等。通过提升实时解说的准确性和流畅性，StreamSoccer能够为观众提供更优质的观看体验，并在未来推动智能解说系统的发展。
📄 摘要（原文）
Streaming video understanding requires models to causally update state as video arrives and organize growing history into semantic units that can evolve, persist, and be recalled under bounded computation and memory. This challenge is pronounced in live soccer commentary, where a system must describe completed events, summarize recent play, recall earlier events, or remain silent using only information available before each utterance. We present StreamSoccer, an event-driven system that uses event memory as its intermediate representation. A fixed-budget active memory integrates the stream; completed event states are retained locally and consolidated into retrievable historical records. A unified generator uses current, recent, and historical context to produce three commentary modes, while a rule-assisted scheduler selects a mode or silence. Unlike streaming video-language models organized around frames, visual tokens, or caches, and soccer-commentary methods based on predefined clips or output timestamps, StreamSoccer explicitly models event lifecycles. We construct a three-track streaming soccer commentary dataset and a layered evaluation protocol. At common reference anchors, StreamSoccer obtains CIDEr scores of 38.62, 23.96, and 17.39 for current-event, recent-window, and historical-memory commentary, ranking first on the current-event and historical-memory tracks and second on recent-window. Controlled ablations show that local completed events improve all tracks and that the full system performs best on all three. Across 174 raw-video runs on 58 matches, per-minute RTF p95 ranges from 0.10 to 0.22 without sustained growth with match history. These results indicate that event memory supports streaming soccer commentary across temporal scopes while controlling long-history computation.