广告视频分镜智能拆解

复盘一条广告视频时，最常见的做法是反复播放、凭记忆记下“这里切了、那里说了什么”。这种总结很难复核，也难以转成脚本改写、竞品研究或 AI 视频再生成的输入。这个技能的目标是把视频从“看过一遍的印象”变成逐镜头、带时间码、可检索的结构化资产。

工作原理

1. 先用 ffmpeg / ffprobe 做环境诊断，确认依赖可用。
2. 执行真实换镜检测，并对短镜头做有限合并，避免把同一叙事段落拆得过碎。
3. 提取每个镜头的首帧与尾帧，将首尾帧和该镜头口播一起交给配置好的图像理解模型，生成画面描述、景别、摄影机角度、镜头运动、焦距与景深、主体动作、光线与色调、构图特点、叙事内容等字段。
4. 可选接入火山引擎大模型 ASR，获得逐字时间戳，再把口播自动对齐到镜头。
5. 为每个镜头生成英文/中文图像提示词、英文/中文视频镜头提示词，并导出本地产物。

输出物

• 分镜表.xlsx：22 列可视化表格，内嵌首尾帧，另有总结页，适合团队复盘与投放分析。
• 分镜表.md：可读的分镜长表、整体总结和 ASR 全文，便于 Agent 阅读或知识库沉淀。
• 分镜表.json：每个镜头 24 字段，包含视频信息、总结和口播全文，适合自动化流程或数据库导入。
• frames/：每个镜头各一张首帧和一张尾帧，用于视觉复核、故事板和参考图。
• state.json：保存各阶段中间状态，支持失败恢复或断点续跑。

一个 26.7 秒竖屏广告的实测样例中，16 个原始切点被合并为 9 个叙事镜头，提取 18 张首尾帧，识别 145 字口播并逐镜头对齐；9 个镜头均生成完整 24 字段，没有空字段。

适用边界与注意点

• 场景检测、帧提取和文件导出默认在本地完成；但视觉分析会把每个镜头的两张帧图片和该镜头口播发送到 VIDEO_LLM_BASE_URL 指向的服务，整体总结也会再次发送画面描述与口播。处理客户素材、未公开视频或含个人信息的内容前，应先取得明确授权。
• 不想上传画面时传 --no-visual，不想上传音频时传 --no-asr。两者都关闭时仍可完成本地场景检测、首尾帧提取和基础分镜导出。
• 口播识别不是必须项。未配置 ASR 凭证时会安全跳过，视觉拆解仍可运行；品牌名、人名和行业专有词也可能被 ASR 误识别，正式交付或改写前要结合字幕和原音频人工校对。
• BGM 识别默认关闭，只有模型确认支持 input_audio 时才建议开启。
• 长视频或网络不稳定时建议分阶段执行，并按 asr → scenes → analyze → output 的顺序恢复。