Если одна нейросеть генерит транскрипт видео, и потом ты передаешь этот транскрипт второй нейросети, которая сокращает текст - вместе они неплохо справляются как минимум с подкастами. В частности ну скажем если скормить подкаст с рецензией на кино - нейросеть вполне адекватно выделит понравилось ли кино рецензенту и перечислит его основную аргументацию за и против.

Другое дело, если у тебя видео геймплея игры и там ну скажем мечник получает от короля задание спасти принцессу, и это передается не озвученными диалогами а текстовыми сообщениями, и далее мечник эту принцессу спасает. Если ты скормишь это видео нейросети она не сможет ответить что на нем происходит. То есть что рыцарь там рубит каких-то монстров она еще может поймет, а зачем он это делает - уже нет.