本研究提出了一种新的视频时刻拼接（VMM）任务，旨在简化短视频编辑中用户手动选择片段的过程。通过文本-视频多粒度整合方法（TV-MGI），有效融合文本与视频特征，实现精确对齐，并提供了大规模数据集MSSD以验证框架的有效性。