3 步搞定视频智能解析把一小时视频变成一份文字报告【免费下载链接】video-analyzerAnalyze videos using LLMs, Computer Vision and Automatic Speech Recognition项目地址: https://gitcode.com/gh_mirrors/vi/video-analyzer周一的早晨你盯着硬盘里躺了一周的会议录像明知里面有关键决策却没时间把每一秒看完。video-analyzer 就是为这种时刻准备的——它把视频分析交给 AI 来做抽关键帧、转写语音、生成全文描述几分钟后还你一份能快速扫读的文字报告。换作以前这条效率差距有多大想从一段长视频里提炼要点只有三条路花几个小时逐帧看完、边看边记花钱请人人工整理或者干脆放弃等真出问题时再回头翻。三条路都不好走。而用 video-analyzer同样一段视频你只需在终端敲一行命令然后去冲杯咖啡回来时摘要已经在等你了。跟着一段讲座视频看看它内部在做什么 光说不练没意思咱们拿一段 10 分钟的讲座视频当例子跟着它走完整条流水线。整个过程分三步每一步都有对应的模块和可调的配置。第一步声音变成文字画面变成关键帧工具先做两件粗活。一边用 FFmpeg 抽出音轨交给 Whisper 转成带时间戳的文字——Whisper 是 OpenAI 开源的语音识别模型全程本地运行不用联网另一边用 OpenCV 抽帧默认每分钟扫出 60 个候选帧再按画面差异挑出最有信息量的那几张最多保留 30 帧。注意它挑的是变化的瞬间不是均匀截图所以转场、新人物出场这类节点不容易漏掉。这些默认值都写在 video_analyzer/config/default_config.json 里想抽密一点、多留几张改改frames这一段就行。第二步每张关键帧让视觉大模型看图说话接下来每张关键帧会被交给 Llama3.2 vision 这类视觉大模型。这里有个容易忽略的细节模型看第 N 帧时会带上前面 N-1 帧的描述作为上下文。所以它写出来的不只是一个穿粉色 T 恤的人站在黑色塑料桶前还会主动标注本帧新出现了什么下一帧值得留意什么线索。逐帧跑下来等于有人帮你一帧一帧做了笔记而且前后对得上。第三步所有素材汇总拼出一份完整报告最后一步把全部帧描述和整段转录文本一起交给模型做一次总复习生成整段视频的连贯摘要——从开场铺垫到关键事件再到最终结论一气呵成。结果统一写入output/analysis.json元数据、转录、逐帧分析、最终描述四块内容各就各位。上面这张图就是这套视频分析流程的完整走位视频先进两个管道左边转写、右边抽帧两条支流最后汇合到 LLM 服务器整合成最终报告。每一站的中间结果都实时写回 analysis.json方便你随时回头查证某一帧的判断。多久能跑出第一份结果⏱️如果你有一张 12GB 显存以上的显卡或者 32GB 内存的 Apple 芯片完全本地跑是最省心的不用注册任何账号也没有按次计费隐私也留在自己机器上。git clone https://gitcode.com/gh_mirrors/vi/video-analyzer cd video-analyzer python3 -m venv .venv source .venv/bin/activate pip install . ollama pull llama3.2-vision video-analyzer 你的视频.mp4机器不达标也别灰心换一行命令接上 OpenRouter 这类 OpenAI 兼容 API用免费的视觉模型一样能跑video-analyzer 你的视频.mp4 --client openai_api --api-key 你的KEY跑完顺手翻一下 docs/USAGES.md里面有全部参数的说明很多配置不查文档根本想不到还能这么玩。谁最需要它老师、知识博主把几十节课程录像批量转成要点摘要顺手标注知识点密集的时段做索引和二次剪辑都省事。会议多的团队会议录像自动变成带时间戳的文字纪要谁说了什么、结论落在哪一段搜索一下就能精准定位。素材库管理员给成百上千条视频生成统一格式的描述文本相当于给视频库建了可搜索的目录页。新手常踩的坑和让它更准的小技巧 坑本地跑不动。视觉模型很吃显存16GB 内存的机器会慢到怀疑人生——直接切云 API 模式别硬刚。坑识别语言不对。中文视频默认按英文转写会一团糟记得加--language zh指定语言。坑觉得摘要太平。默认提示词偏中性你可以用--prompt 重点总结其中的决策和结论这类自定义问题让模型盯着你要的角度写。想更快--max-frames 10限制分析帧数中途断了也不用从头再来--start-stage 2可以直接从帧分析阶段接着跑。想让输出更贴你的场景项目自带的 video-analyzer-tune 模块能用你手工改过的理想结果自动调优提示词详见 video-analyzer-tune/README.md。放下播放键让文字先替你看完下次再面对一段 40 分钟没看过的视频不必硬着头皮按下播放键。把文件丢给 video-analyzer泡杯咖啡回来你要的答案已经在 analysis.json 里排好了队。现在就找一段视频试试看——跑过一次之后你大概率会和我一样再也舍不得把时间耗在倍速播放上了。【免费下载链接】video-analyzerAnalyze videos using LLMs, Computer Vision and Automatic Speech Recognition项目地址: https://gitcode.com/gh_mirrors/vi/video-analyzer创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 3 步搞定视频智能解析：把一小时视频变成一份文字报告
3 步搞定视频智能解析把一小时视频变成一份文字报告【免费下载链接】video-analyzerAnalyze videos using LLMs, Computer Vision and Automatic Speech Recognition项目地址: https://gitcode.com/gh_mirrors/vi/video-analyzer周一的早晨你盯着硬盘里躺了一周的会议录像明知里面有关键决策却没时间把每一秒看完。video-analyzer 就是为这种时刻准备的——它把视频分析交给 AI 来做抽关键帧、转写语音、生成全文描述几分钟后还你一份能快速扫读的文字报告。换作以前这条效率差距有多大想从一段长视频里提炼要点只有三条路花几个小时逐帧看完、边看边记花钱请人人工整理或者干脆放弃等真出问题时再回头翻。三条路都不好走。而用 video-analyzer同样一段视频你只需在终端敲一行命令然后去冲杯咖啡回来时摘要已经在等你了。跟着一段讲座视频看看它内部在做什么 光说不练没意思咱们拿一段 10 分钟的讲座视频当例子跟着它走完整条流水线。整个过程分三步每一步都有对应的模块和可调的配置。第一步声音变成文字画面变成关键帧工具先做两件粗活。一边用 FFmpeg 抽出音轨交给 Whisper 转成带时间戳的文字——Whisper 是 OpenAI 开源的语音识别模型全程本地运行不用联网另一边用 OpenCV 抽帧默认每分钟扫出 60 个候选帧再按画面差异挑出最有信息量的那几张最多保留 30 帧。注意它挑的是变化的瞬间不是均匀截图所以转场、新人物出场这类节点不容易漏掉。这些默认值都写在 video_analyzer/config/default_config.json 里想抽密一点、多留几张改改frames这一段就行。第二步每张关键帧让视觉大模型看图说话接下来每张关键帧会被交给 Llama3.2 vision 这类视觉大模型。这里有个容易忽略的细节模型看第 N 帧时会带上前面 N-1 帧的描述作为上下文。所以它写出来的不只是一个穿粉色 T 恤的人站在黑色塑料桶前还会主动标注本帧新出现了什么下一帧值得留意什么线索。逐帧跑下来等于有人帮你一帧一帧做了笔记而且前后对得上。第三步所有素材汇总拼出一份完整报告最后一步把全部帧描述和整段转录文本一起交给模型做一次总复习生成整段视频的连贯摘要——从开场铺垫到关键事件再到最终结论一气呵成。结果统一写入output/analysis.json元数据、转录、逐帧分析、最终描述四块内容各就各位。上面这张图就是这套视频分析流程的完整走位视频先进两个管道左边转写、右边抽帧两条支流最后汇合到 LLM 服务器整合成最终报告。每一站的中间结果都实时写回 analysis.json方便你随时回头查证某一帧的判断。多久能跑出第一份结果⏱️如果你有一张 12GB 显存以上的显卡或者 32GB 内存的 Apple 芯片完全本地跑是最省心的不用注册任何账号也没有按次计费隐私也留在自己机器上。git clone https://gitcode.com/gh_mirrors/vi/video-analyzer cd video-analyzer python3 -m venv .venv source .venv/bin/activate pip install . ollama pull llama3.2-vision video-analyzer 你的视频.mp4机器不达标也别灰心换一行命令接上 OpenRouter 这类 OpenAI 兼容 API用免费的视觉模型一样能跑video-analyzer 你的视频.mp4 --client openai_api --api-key 你的KEY跑完顺手翻一下 docs/USAGES.md里面有全部参数的说明很多配置不查文档根本想不到还能这么玩。谁最需要它老师、知识博主把几十节课程录像批量转成要点摘要顺手标注知识点密集的时段做索引和二次剪辑都省事。会议多的团队会议录像自动变成带时间戳的文字纪要谁说了什么、结论落在哪一段搜索一下就能精准定位。素材库管理员给成百上千条视频生成统一格式的描述文本相当于给视频库建了可搜索的目录页。新手常踩的坑和让它更准的小技巧 坑本地跑不动。视觉模型很吃显存16GB 内存的机器会慢到怀疑人生——直接切云 API 模式别硬刚。坑识别语言不对。中文视频默认按英文转写会一团糟记得加--language zh指定语言。坑觉得摘要太平。默认提示词偏中性你可以用--prompt 重点总结其中的决策和结论这类自定义问题让模型盯着你要的角度写。想更快--max-frames 10限制分析帧数中途断了也不用从头再来--start-stage 2可以直接从帧分析阶段接着跑。想让输出更贴你的场景项目自带的 video-analyzer-tune 模块能用你手工改过的理想结果自动调优提示词详见 video-analyzer-tune/README.md。放下播放键让文字先替你看完下次再面对一段 40 分钟没看过的视频不必硬着头皮按下播放键。把文件丢给 video-analyzer泡杯咖啡回来你要的答案已经在 analysis.json 里排好了队。现在就找一段视频试试看——跑过一次之后你大概率会和我一样再也舍不得把时间耗在倍速播放上了。【免费下载链接】video-analyzerAnalyze videos using LLMs, Computer Vision and Automatic Speech Recognition项目地址: https://gitcode.com/gh_mirrors/vi/video-analyzer创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考