video-understanding

---

name: video-understanding user-invocable: false description: > 把视频分析为结构化理解索引：场景检测、ASR 转写、逐场景 VLM 观察、静音窗口、融合时间线和写作 brief。 用于理解、索引或总结视频，也作为后续创作前的分析阶段。输入视频文件；输出 scenes.json、 asr_result.json、vlm_analysis.json、silence_periods.json、timeline_fusion.json、agent_narration_brief.md。 触发词：视频理解、视频分析、视频索引、video understanding、analyze video、看懂视频。

1. 定位

本技能把源视频转成 Agent 与下游阶段可读取的理解索引。它的创作角色是素材观察员 / 场记，不是导演：

• 先观察，再解释；事实与推断分开。
• 除了“发生了什么”，还要让下游看见知识、权力、目标、关系或情绪在哪一刻变化。
• 标出由谁的 POV 承载变化、哪个反应或表演不可替代，以及哪里存在完整台词/动作的自然剪辑边界。
• 证据不足时保留不确定性，不制造戏剧结论。

2. 处理阶段

1. 场景检测：写 scenes.json，包含切点、时长和废片段过滤结果。
2. 抽帧：为视觉分析提取代表帧。
3. ASR：通过 mimo-v2.5-asr 写粗分段对白 asr_result.json，并写 asr_timing_evidence.json 说明可用性、有限时间精度与文本修正来源。
4. 静音检测：写 silence_periods.json，标注安静窗口与 has_speech。
5. VLM 观察：写 vlm_analysis.json，包含场景描述、深层分析和 frame_facts。
6. 时间线融合与创作 brief：写 timeline_fusion.json、asr_writing_chunks.json 和 agent_narration_brief.md。

各阶段只有在输出产物与 provenance sidecar 同时匹配当前视频及影响结果的设置时才会复用；--force 强制重算。

3. 环境要求

# ffmpeg: brew install ffmpeg | apt install ffmpeg | choco install ffmpeg
export MIMO_API_KEY=***

ASR 使用 mimo-v2.5-asr；VLM 使用 mimo-v2.5。--skip-asr 可跳过对白转写，但完整理解仍需要 MIMO_API_KEY 运行 VLM。--mimo-video-overview 可开启按场景块的视频概览。未设置 key 时重跑会复用已缓存的转写、画面分析、概览与故事索引（key 决定的默认 endpoint 不参与比对）；需要请求模型的 consolidation 记为 skipped_no_key，不发请求。缓存对不上（例如复制 work_dir 时没保留文件时间）而已有转写时，运行停下并保留转写：用 cp -p / cp -Rp / rsync -t 保留时间重新复制，或设置 key 后重跑（会重新转写）。不要用 --skip-asr 绕过，它会把现有转写替换成 []。

若 work_dir/background_research.json 存在，本技能会把剧情梗概和角色名折入 VLM 上下文；--context 可补充一条简短提示。

下面的 scripts/... 均相对于本技能目录。若执行器从仓库根目录启动，请给脚本路径加上本技能的绝对目录。

4. 运行命令

python3 scripts/understand.py <video> --work-dir <work_dir> [选项]

| 选项 | 默认 | 作用 | |------|------|------| | <video> | 必填 | 源视频 | | --work-dir | 必填 | 产物目录；不存在时创建 | | --context "..." | 空 | 补充给 VLM 的简短上下文（节目名、角色名），与 background_research.json 合并 | | --scene-threshold | 0.1 | 场景检测阈值 | | --style | 纪录片 | 写进创作简报的解说风格 | | --edit-mode full\|cut | 不设 | 写进简报的 recap 模式；cut 时按剪后时长估算旁白预算，已有 edited_source.mp4 时句末锚点改用剪后时间 | | --target-duration | 不设 | 写进简报的 cut 目标时长；尚无 clip_plan_validated.json 时用它估算旁白预算 | | --skip-asr | 关 | 不转写对白，把 asr_result.json 写成 []（已有转写会被覆盖），ASR 证据标为显式跳过 | | --mimo-video-overview | 关 | 按场景块运行 MiMo 视频概览，并作为逐场景主描述 | | --force | 关 | 忽略缓存，全部重算 | | --brief-only | 关 | 只用现有产物重建 agent_narration_brief.md，不抽帧、不调 API | | --edited-storyboard-only | 关 | 只按 clip_plan_validated.json 写剪后时间线 storyboard/edited_storyboard.*，并在已有的 agent_narration_brief.md 顶部加 storyboard 指引；多源计划（带 sources）从各来源 source_work_dir 的 frames/ 按其 frames_manifest.json 的 fps 取帧，tile 标 S1/S2…；不抽帧、不调 API，故事板生成失败只记日志。与 --brief-only 互斥 | | --consolidate / --no-consolidate | 开 | 生成全局故事索引 understanding_index.* | | --consolidate-asr | 关 | 另外清洗 ASR 文本，写 asr_clean.json |

5. 输出契约

默认运行写出下表产物；各阶段产物旁的 *.meta.json 是缓存 provenance sidecar。

| 文件 | 内容 | |------|------| | frames/frame_*.jpg、frames_manifest.json | 按 fps 抽出的帧及其清单 | | scenes.json | 场景切点、起止时间与时长 | | audio.wav | 16 kHz 单声道音频，供 ASR、静音检测与句末锚点使用 | | asr_result.json | [{start, end, text}] 时间戳对白 | | asr_timing_evidence.json | ASR 可用性状态、粗窗口精度、glossary 前后文本，以及它所描述的源视频/音频/结果文件（路径存在性 + size/mtime） | | silence_periods.json | [{start, end, duration, has_speech}] 安静窗口 | | speech_boundary_anchors.json | ASR 句末标点对齐到短停顿的句末锚点；缺音频或 ASR 时 status: unavailable | | vlm_analysis.json | 逐场景描述、深层分析与 frame_facts | | mimo_video_overview.status.json | 视频概览状态（未启用时为 disabled）；启用成功另写 mimo_video_overview.json | | understanding_index.json、understanding_index.md | 全局故事索引（--no-consolidate 时不写） | | consolidation.status.json | 故事索引与 ASR 清洗的运行状态 | | storyboard/source_storyboard.{json,jpg} | 原片时间线联系表（超页时续写 _001.jpg 等）；已有 clip_plan_validated.json 时另写 edited_storyboard.*；STORYBOARD=0 关闭 | | timeline_fusion.json | VLM、ASR 与静音信息的统一时间线 | | asr_writing_chunks.json | 按句界和场景切分的 ASR 写作块 | | agent_narration_brief.md | Agent 首先阅读的创作简报 |

后续写作阶段根据创作简报与索引制定方案并写 narration.json。

6. 参考资料

• 背景调研：references/research-guide.md，产出 background_research.json。
• JSON 结构：references/data-schema.md。

7. 能力边界

• 不写解说词，也不做解说评分；只负责生成理解索引与创作简报。
• 不编造信号无法支持的剧情；当 ASR / VLM 过薄时输出素材警告。
• MiMo ASR 的 start/end 是固定分片形成的粗窗口，不是词级对齐；空文本只表示原因未知， 不能当作已证实静音。asr_timing_evidence.json 的状态字段见 references/data-schema.md。