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 场景检测 ：写 scenes.json ，包含切点、时长和废片段过滤结果。 抽帧 ：为视觉分析提取代表帧。 ASR ：通过 mimo-v2.5-asr 写时间戳对白 asr_result.json 。 静音检测 ：写 silence_periods.json ，标注安静窗口与 has_speech 。 VLM 观察 ：写 vlm_analysis.json ，包含场景描述、深层分析和 frame_facts 。 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。 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。脚本不从其他技能目录读取文件；外部输入仅限命令显式传入的视频、参数与 work_dir 产物。 4. 运行命令 python3 scripts/understand.py <video> --work-dir <work_dir> \ [--context "节目名/角色名" ] [--scene-threshold 0.1] [--skip-asr] [--mimo-video-overview] [--force] 5. 输出契约 文件 内容 scenes.json 场景切点、起止时间与时长 asr_result.json [{start, end, text}] 时间戳对白 vlm_analysis.json 逐场景描述、深层分析与 frame_facts silence_periods.json [{start, end, duration, has_speech}] 安静窗口 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。 不剪辑、不配音、不合成视频。 不编造信号无法支持的剧情；当 ASR / VLM 过薄时输出素材警告。 不发布、不调度，只向 work_dir 写产物并停止。