视频主体分析与关键帧选择

问题

短视频素材往往需要人工翻看后才能回答“主体是谁、动作发生在哪、哪一帧适合展示”。如果直接用均匀采样取帧，既会漏掉关键动作，也会把大量近似帧送进视觉模型，造成 token 浪费。

工作方式

该技能围绕视频分析做了一件明确的事：从视频中自动提取关键帧，并调用视觉模型生成可读报告。

• 先用 ffmpeg 获取时长、分辨率、编码等元数据
• 使用 scripts/extract_keyframes.sh 基于 I 帧检测 抽取关键帧
• 输出 640px 宽度的 JPEG 图片，便于视觉模型理解
• 对提取到的关键帧做内容分析，最终给出文本报告和 3 张代表性截图

边界与注意点

它适合短视频主体识别、动作概括、封面帧候选选择等场景；对极长视频或强连续动作的细粒度追踪，仍需补充时间戳、动作事件或更多分析维度。资料中的 token 估算仅适用于其示例参数，实际消耗仍会受分辨率、帧数和模型行为影响。