Video Analyzer
视频分析处理 — 本地视频反编译分析工具。将视频拆解为时间轴剧本、语音转文字、场景分析、跨模态关联和精华摘要,支持多ASR引擎切换(Whisper/Paraformer/SenseVoice)、中文NLP增强、PaddleOCR中文识别。v4.0 新增短视频平台适配(抖音/快手/B站/视频号)和自动剪辑建议(高光检测/冗余标记/EDL导出/字幕样式)。v4.1 新增tiny模型优先体验(75MB低门槛)、说话人分离质量评分、剪映draft.json导出。v4.2 新增场景管理(detect→slice一条链)、短视频爆款预测、实时直播分析(流式ASR+敏感词检测)。v4.3 新增纯音频输入(mp3/m4a/wav播客与录音)、批量队列(SQLite+硬件档位并发)、GPU自动加速(CT2 int8量化)、ASR配置统一(--asr-engine单参数)。v4.4 新增一键成片(ffmpeg filter_complex 自动剪辑+平台规格包导出)、封面帧智能选取(Laplacian+人脸+三分法构图)、自动字幕翻译(cn-llm-router桥接,EN/JP/KO)、BGM识别(chromaprint指纹+本地库匹配)、剪映6.0适配+EDL导入指南。v4.5.0 新增首跑自检(doctor 探测 ffmpeg/模型/磁盘/内存/GPU + 修复命令清单)、模型下载链路(进度可视化+3次重试+断点续传+清华镜像交互提示)、--quick 快速模式(仅转写+摘要,5分钟出稿)、首跑「下一步建议」(功能发现引导)。v4.6.0 新增播客模式(说话人时间线+Podcasting 2.0 章节标记+金句三信号本地评分(句长/语义完整度/关键词密度))、说话人分离三类预设(访谈/会议/电话,阈值/窗口/说话人上限可配,质量评分随结果自动输出)、听后简报(周聚合HTML简报:本周处理列表/时长分布/金句Top10)、报告渲染器统一(音频/视频单源化)。v4.7.0 新增字幕工作流闭环:5套JSON样式包(综艺/访谈/课程/极简/竖屏)+ SRT/ASS双格式导出 + 双语同轴(原文轨/译文轨独立开关);术语表机制(人名/产品名/专业词JSON前置替换+后置校对+待确认清单,品牌名零容忍);字幕烧录一条命令(--burn-subtitle,样式包直连ffmpeg filter,无需手写filter_complex)。
视频分析处理 — video-analyzer
概述
将视频"反编译"为结构化分析报告的本地工具,全程离线,无需联网。
核心能力:
- 🎙️ 语音转文字(精确到每个字的时间戳,含说话人分离)
- 🎬 场景边界切割与章节切片
- 🔍 视觉物体与画面文字识别
- 📊 多模态时空对齐(声音 ↔ 画面 ↔ 文字)
- ✨ 带时间戳的精华摘要
- ✂️ 视频章节切片 + 独立SRT字幕
- 🗣️ 说话人分离标注
- 📱 短视频平台适配(抖音/快手/B站/视频号,自动识别链接+下载+平台分析)
- 🎬 自动剪辑建议(高光检测/冗余标记/时间线生成/EDL导出/字幕样式)
- 📄 交互报告输出(HTML + JSON + Markdown)
快速开始
第一次使用前
⚠️ 模型下载提醒:首次运行会自动下载语音识别模型。v4.1 起默认使用 tiny 模型(约 75MB),如需更高精度可加
--model small切换到 small 模型(约 466MB)。国内用户建议先执行以下命令加速:bash pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple下载完成后后续使用无需重复下载。
💡 v4.5.0 新增:首次使用前建议先运行
--doctor自检环境,缺什么一目了然。快速体验用--quick5分钟出稿。
基本用法
python main.py --input "视频路径或URL" --output "./output"
使用场景示例
| 场景 | 命令 |
|---|---|
| 快速提取一个本地 MP4 的全部内容 | python main.py -i my_video.mp4 |
| 分析某条新闻视频,只看字幕(最快,跳过分析) | python main.py -i news.mp4 --no-visual |
| 下载并分析一段 YouTube/B站视频 | python main.py -i "https://www.youtube.com/watch?v=..." |
| 视频分析可视化报告,仅输出 HTML | python main.py -i video.mp4 --format html |
| 分析 YouTube健身视频,提取精华片段 | python main.py -i "https://..." --model medium --lang zh |
| 老旧笔记本,限制资源跑语音识别 | python main.py -i video.mp4 --no-visual --max-memory 2 --nice 15 |
| 只看时间轴剧本(不生成报告) | python main.py -i video.mp4 --scenes-only |
| 按场景章节切片视频,每段带SRT字幕 | python main.py -i video.mp4 --slice-chapters |
| 多人对话场景,分离说话人 | python main.py -i meeting.mp4 --diarize |
| 跳过更新检查(纯离线环境) | python main.py -i video.mp4 --no-update-check |
| 分析抖音视频(自动识别+下载+平台分析) | python main.py -i "https://v.douyin.com/xxxxx" --platform |
| 分析B站视频 + 自动剪辑建议 | python main.py -i "https://www.bilibili.com/video/BVxxxx" --platform --editing-suggest |
| 导出 EDL 时间线 + 字幕文件 | python main.py -i video.mp4 --editing-suggest --export-edl --subtitle-style douyin |
| 一键成片(抖音竖屏,口播精简) | python main.py -i video.mp4 --auto-edit --edit-platform douyin --edit-style 口播精简 |
| 一键成片(B站横屏,高光集锦) | python main.py -i video.mp4 --auto-edit --edit-platform bilibili --edit-style 高光集锦 |
| 一键成片 + BGM | python main.py -i video.mp4 --auto-edit --bgm-path music.mp3 |
| 封面帧智能选取 Top3 | python main.py -i video.mp4 --cover-select |
| 字幕翻译(中→英) | python main.py -i video.mp4 --editing-suggest --translate-subs en |
| 字幕翻译(中→日,ASS格式) | python main.py -i video.mp4 --editing-suggest --translate-subs ja --translate-format ass |
| BGM 识别 | python main.py -i video.mp4 --bgm-detect |
| 剪映 6.0 + EDL 导入指南 | python main.py -i video.mp4 --editing-suggest --jianying-v6 |
| 一键成片 + 封面 + 翻译 + BGM | python main.py -i video.mp4 --auto-edit --cover-select --translate-subs en --bgm-detect |
输出示例
output/
├── report.html # 交互式 HTML 报告(主报告,用浏览器打开)
├── data.json # 完整结构化 JSON 数据
├── script.md # 剧本格式 Markdown
├── scenes/ # 场景关键帧缩略图
│ ├── scene_001.jpg
│ ├── scene_002.jpg
│ └── ...
├── chapters/ # 章节切片(--slice-chapters 时生成)
│ ├── chapter_001.mp4
│ ├── chapter_001.srt
│ ├── chapter_001.vtt
│ ├── chapter_002.mp4
│ ├── chapter_002.srt
│ └── chapters_index.json
├── summary/ # 时间戳摘要
│ ├── timestamped_summary.md
│ └── timestamped_summary.json
├── speakers.srt # 说话人字幕(--diarize 时生成)
├── platform/ # 平台分析(--platform 时生成)
│ ├── platform_metadata.json
│ └── short_video_analysis.json
├── edl/ # EDL 时间线(--export-edl 时生成)
│ ├── timeline.cmx3600
│ └── ffmpeg_commands.sh
├── subtitles/ # 字幕文件(--editing-suggest 时生成)
│ └── subtitle.ass
└── assets/
├── waveform.svg # 音频波形图
└── timeline.svg # 时间轴可视化
参数说明
| 参数 | 简写 | 说明 |
|---|---|---|
--input | -i | 视频文件路径或 HTTP URL(必填) |
--output | -o | 输出目录,默认为 ./output |
--format | 报告格式:html/json/md,默认 html | |
--model | -m | Whisper 模型:tiny/base/small/medium/large-v3(默认自动选择) |
--lang | -l | 语言代码:auto/zh/en/ja 等(默认自动检测) |
--asr-engine | ASR 引擎:whisper/paraformer/sensevoice/auto(默认 auto) | |
--ocr-engine | OCR 引擎:paddleocr/auto(默认 paddleocr) | |
--no-nlp-enhance | 跳过中文 NLP 增强(NER + 标签中文化) | |
--no-visual | 跳过视觉分析(场景分类/物体检测) | |
--no-ocr | 跳过画面文字识别 | |
--no-highlight | 跳过精华提取 | |
--scenes-only | 仅输出场景切割 JSON | |
-f | --force | 忽略缓存重新分析 |
--temp-dir | 临时文件目录 (默认: ./.cache) | |
--config | 配置文件路径 (默认: config.yaml) | |
--verbose | 显示详细日志 | |
--no-adaptive | 禁用硬件自适应(默认启用) | |
--max-memory | 最大内存使用(GB) | |
--nice | 进程优先级 0-19,越大优先级越低 | |
--no-update-check | 跳过启动时的版本更新检查 | |
--diarize | 启用说话人分离(多人对话场景) | |
--slice-chapters | 按章节切片视频片段 + 生成SRT字幕 | |
--platform | 启用短视频平台适配(自动识别抖音/快手/B站/视频号链接) | |
--editing-suggest | 启用自动剪辑建议(高光检测/冗余标记/时间线生成/EDL导出) | |
--edl-format | EDL 导出格式:cmx3600/csv/json(默认 cmx3600) | |
--subtitle-style | 字幕样式模板(旧版):douyin/bilibili/movie/minimal | |
--subtitle-preset | 字幕样式包(v4.7):variety综艺/interview访谈/course课程/minimal极简/vertical竖屏 | |
--subtitle-format | 字幕输出格式:srt/ass/vtt(默认 ass) | |
--export-edl | 导出 EDL 剪辑时间线文件 | |
--jianying | 导出剪映 draft.json 格式(可直接导入剪映专业版) | |
--jianying-v6 | 导出剪映 6.0 draft.json + EDL 导入指南(v4.4 新增) | |
--auto-edit | 启用一键成片(ffmpeg filter_complex 自动剪辑,v4.4 新增) | |
--edit-style | 一键成片风格:口播精简/高光集锦/预告片(默认 口播精简) | |
--edit-platform | 一键成片目标平台:douyin/bilibili/kuaishou/wechat_video(默认 douyin) | |
--bgm-path | BGM 音频文件路径(用于一键成片) | |
--cover-select | 启用封面帧智能选取(v4.4 新增) | |
--translate-subs | 翻译字幕到指定语言 (en/ja/ko/fr/de/es/ru) | |
--translate-format | 翻译字幕输出格式:srt/ass/vtt(默认 srt) | |
--bgm-detect | 启用 BGM 识别(需 chromaprint/fpcalc,v4.4 新增) | |
--quality-score | 启用说话人分离质量评分 | |
--doctor | 首跑自检:探测 ffmpeg/模型/磁盘/内存/GPU,输出修复命令清单(v4.5.0 新增) | |
--quick | 快速模式:仅转写+时间戳摘要,跳过视觉/场景/剪辑链(v4.5.0 新增) | |
--download-model | 下载 Whisper 模型(带进度可视化+断点续传+3次重试,v4.5.0 新增) | |
--podcast | 播客模式:说话人时间线+Podcasting 2.0 章节标记+金句提取(v4.6.0 新增) | |
--diarize-profile | 说话人分离预设:interview/meeting/phone(v4.6.0 新增) | |
--weekly-briefing | 听后简报:生成周聚合 HTML 简报(v4.6.0 新增) | |
--bilingual | 双语同轴字幕:原文轨+译文轨,配合 --translate-subs(v4.7.0 新增) | |
--original-track / --no-original-track | 双语时显示/隐藏原文轨(v4.7.0 新增) | |
--no-translation-track | 双语时隐藏译文轨(v4.7.0 新增) | |
--glossary | 术语表 JSON 路径,人名/产品名/专业词强制校正(v4.7.0 新增) | |
--burn-subtitle | 烧录硬字幕到视频,样式包直连 ffmpeg filter(v4.7.0 新增) |
功能说明
短视频平台适配(--platform)
自动识别并处理抖音/快手/B站/视频号视频链接:
- 链接解析:支持分享链接、短链接、BV号等多种格式
- 视频下载:基于 yt-dlp 的多平台视频下载
- 元数据提取:标题、作者、点赞/评论/分享/收藏数、BGM信息等
- 黄金前3秒分析:检测开场hook类型(视觉冲击/画面变化/平稳开场)
- 完播率因素分析:视频时长评分、内容密度、行动号召检测、悬念检测
- 带货分析:促销关键词识别、价格提取、行动号召检测
- 节奏分析:场景切换频率、节奏类型判定
自动剪辑建议(--editing-suggest)
基于AI分析自动生成剪辑建议:
- 高光检测:综合视觉活跃度、音频能量、语音情感、画面内容四维度评分
- 冗余标记:检测静音片段、填充词、语速异常、画面静止、重复内容
- 时间线生成:智能排列高光片段,跳过冗余,生成优化剪辑顺序
- EDL导出:支持CMX3600(Premiere Pro/DaVinci Resolve兼容)/CSV/JSON格式
- 字幕样式:抖音风格/B站风格/电影风格/简洁风格,支持SRT/ASS/VTT格式 按场景边界自动将视频切割为多个短视频片段,每段生成独立的 SRT 字幕文件和 WebVTT 字幕文件。
- 使用 ffmpeg 流复制模式(极速,不重新编码)
- 每个章节含
.mp4+.srt+.vtt三个文件 - 自动生成
chapters_index.json索引文件
说话人分离(--diarize)
多人对话场景下,分离出不同说话人的对话段落。
- 基于 MFCC + 频谱特征 + GMM 聚类
- 完全离线,无需网络
- 以不同颜色标注不同说话人(A-F)
- 生成独立的
speakers.srt字幕文件
时间戳摘要
每次运行自动生成带时间戳的精华摘要列表。
[MM:SS]格式时间戳- Markdown + JSON 双格式输出
- 标注精华评分和标签
硬件自适应
启动时自动检测硬件配置,动态调整处理参数:
| 硬件指标 | 自适应策略 |
|---|---|
| CPU 核数 | 自动确定最佳子进程数(保留 1 核给系统) |
| 内存大小 | 自动选择 whisper 模型,限制缓存上限 |
| GPU 显存 | 有 GPU 则全量分析,无则降采样 |
控制策略(不影响用户体验):
- 低配电脑(< 8GB 内存):自动降低优先级(nice=10),使用 tiny/small 模型
- 运行时监控:实时检测内存使用,接近上限时主动降速
- 处理时间预估:分析前显示预估等待时间
安全提示
- 所有处理均在本地完成,无上传
- 输入视频需经用户路径合法性验证
- OCR 识别结果仅供参考
- 生成的 HTML 报告可在浏览器中离线查看
- v3.0 新增:文件类型黑名单拦截,禁止危险文件输入
输入文件类型限制
为保障安全,以下文件类型被禁止作为输入:
| 类别 | 禁止扩展名 |
|---|---|
| Windows 可执行/脚本 | .bat .cmd .ps1 .vbs .exe .dll .lnk .msi |
| Office 文档 | .docx .xlsx .pptx .doc .xls .ppt .xlsm .docm .pptm |
| 压缩包/镜像 | .iso .dmg .zip .rar .7z .tar .gz .apk .jar |
| 系统/缓存文件 | .DS_Store .env .log .tmp .git 目录 |
| 风险脚本 | .sh .com .scr .hta .reg |
能力边界与限制
不支持的场景
| 场景 | 说明 |
|---|---|
| 视频时长建议 | ≤ 2 小时(max_duration 默认 7200s) |
| 超大文件 | 超过 2 小时需修改 config.yaml 的 max_duration |
| 不支持的视频格式 | 非常见的私有封装格式(如某些监控专用格式) |
| 无音频视频 | 场景检测和视觉分析仍可用,但无语音转文字 |
| 纯音频文件 | 不支持,需要专门的音频转文字工具 |
| 实时流媒体 | 不支持 RTSP 等实时流,仅支持可下载的 URL |
| 禁止的文件类型 | 见上方"输入文件类型限制" |
识别准确率说明
| 模块 | 准确率 | 说明 |
|---|---|---|
| 语音转文字 | 85-95% | 中文普通话较好,方言/噪音会降低 |
| 场景切分 | 80-90% | 渐变过渡可能漏切,跳切较准 |
| 画面文字 | 75-85% | 需安装 paddleocr 且要求较清晰 |
| 说话人分离 | 70-85% | 声音差异越大越准确 |
| 精华提取 | 主观 | 基于对话密度/视觉复杂度计算 |
以上数据仅供参考,不同视频类型差异较大。
反模式 / 千万别这样用
以下操作会导致工具报错或输出错误结果,请务必避免:
- ❌ 输入损坏的视频文件:工具会直接报错退出。可用
ffmpeg -i input.mp4 -c copy fixed.mp4尝试修复后再分析。 - ❌ 输入纯音频文件(如 MP3、WAV):工具不支持,请先转成视频或用专业语音转文字工具。
- ❌ 超长视频不设
--max-memory:2小时以上大视频建议加--max-memory 2 --no-visual防止内存溢出。 - ❌ 小内存电脑选大模型:4GB 内存选
medium或large-v3会极其缓慢甚至卡死。用--model tiny或--model small。 - ❌ 重复分析使用旧缓存:加
--force重新分析,避免读过期缓存。 - ❌ 用 IE 打开 HTML 报告:请用 Chrome/Edge/Firefox。
- ❌ 窄带网络下分析在线视频:先下载到本地再分析,网络不稳定容易失败。
- ❌ 跳过 ffmpeg 安装直接用:ffmpeg 是硬性依赖,必须先安装。
- ❌ 输入
.ps1.exe等可执行文件:文件类型黑名单会直接拒绝,本工具只处理视频。
常见问题(FAQ)
安装与配置
Q: ffmpeg 安装后仍提示找不到?
A: 需要让 ffmpeg 在系统 PATH 中。Windows 用户可用 scoop install ffmpeg 或下载后解压并将 bin 目录加入 PATH;macOS 用 brew install ffmpeg;Ubuntu 用 sudo apt install ffmpeg。安装后新开一个终端窗口,运行 ffmpeg -version 验证。
Q: pip install 时 whisper 下载模型很慢?
A: whisper 首次运行时会自动下载模型文件(small 约 466MB),国内用户建议设置镜像:pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
Q: paddleocr 安装失败?
A: paddleocr 是可选依赖,不安装也能使用语音转文字和场景检测。如需 OCR,先确认 Python 版本 ≤ 3.11,再 pip install paddlepaddle paddleocr。
Q: 说话人分离不准确怎么办?
A: 说话人分离基于声音特征聚类,如果说话人声音相似或环境噪音大,准确率会下降。可以:① 安装 librosa 和 scikit-learn 提升特征提取能力;② 用 --diarize 后手动编辑生成的 speakers.srt 文件。
Q: 为什么提示"禁止的文件类型"? A: 工具内置了文件类型黑名单,所有非视频文件(如 .exe .ps1 .zip .docx 等)都会被拒绝输入。请确认输入的是 .mp4/.mkv/.avi/.mov 等视频文件。
Q: 抖音/快手/B站视频无法下载?
A: 短视频平台下载依赖 yt-dlp,请先安装:pip install yt-dlp。部分视频可能需要配置 cookies 才能下载。如果仍然失败,请确认链接可访问且网络稳定。
Q: 自动剪辑建议的高光检测准确吗? A: 高光检测基于视觉活跃度、音频能量、语音情感、画面内容四维度综合评分,准确率约 70-85%。建议将结果作为参考,人工微调后导出 EDL 到 Premiere Pro 或 DaVinci Resolve 进一步编辑。
Q: EDL 文件如何导入到剪辑软件? A: CMX3600 格式兼容 Premiere Pro / DaVinci Resolve / Final Cut Pro。在 Premiere Pro 中:文件 → 导入 → 选择 .edl 文件。在 DaVinci Resolve 中:文件 → 导入时间线 → 导入 EDL。
Q: 字幕样式可以自定义吗?
A: 可以在 config.yaml 的 editing.subtitle 部分自定义字体、大小、颜色等参数。也支持在命令行用 --subtitle-style 选择预设模板。
运行错误
Q: 运行中提示 "No space left on device"?
A: 缓存目录占满了磁盘。用 --temp-dir 指定其他目录,或删除旧缓存 rm -rf .cache/。也可在 config.yaml 中减小 max_memory_gb。
Q: 下载在线视频失败?
A: 工具内置 3 次重试机制。如果仍然失败,请确认 URL 可访问且网络稳定;YouTube/B站等需安装 yt-dlp:pip install yt-dlp。
Q: 语音识别结果有漏字或错字?
A: 语音识别准确率约 85-95%。提高准确率方法:① 用更大的模型 --model medium;② 确保视频音频清晰无背景噪音;③ 方言视频选 --lang zh 指定中文。
Q: 场景切分不准,渐变画面漏切?
A: HSV 直方图差分对快速跳切准确度高(90%+),渐变过渡可能漏切。需要更精确的场景检测建议用 --scenes-only 导出后手动编辑 JSON。
Q: 处理大视频时电脑变卡?
A: 低配电脑请加 --nice 15 --max-memory 4。工具会自动降低进程优先级并限制内存使用。若仍卡顿,可加 --no-visual --no-ocr 只跑语音转文字。v3.0 版新增了实时资源监控,会自动防止内存溢出。
输出相关
Q: HTML 报告打开是乱码? A: 请用现代浏览器(Chrome/Edge/Firefox)打开,不要用 IE。报告内已设 UTF-8 编码。
Q: 输出的 JSON 太大怎么查看?
A: 建议用 VS Code 或 jq 命令行工具:jq '.transcript.segments[0:3]' data.json 查看前 3 段。
Q: 章节切片的视频无法播放?
A: 章节切片使用 ffmpeg 流复制模式(-c copy),切割点必须在关键帧上。如果某些章节无法播放,可在 config.yaml 中设置 force_reencode: true 使用重新编码模式(稍慢但兼容性好)。
Q: 说话人分离结果全是同一人?
A: 请确认安装了可选依赖:pip install librosa scikit-learn。如果没有这些库,会回退到基于时间间隔的简单猜测策略,准确率较低。v4.1 新增质量评分(--quality-score),可量化评估分离结果可信度。
Q: 说话人分离质量评分怎么使用?
A: 运行 --diarize --quality-score,会输出 0-100 分数和等级(高/中/低)。≥ 80 分可信,≥ 60 分基本可用,< 60 分建议手动调整。评分基于声纹距离和重叠率两个维度。
Q: 剪映 draft.json 怎么用?
A: 运行 --editing-suggest --jianying 生成 draft.json 文件。打开剪映专业版 → 导入 → 选择 draft.json 即可加载时间线和字幕。
Q: tiny 模型和 small 模型有什么区别?
A: tiny 模型(75MB)识别速度更快但准确率略低;small 模型(466MB)准确率更高但速度慢。v4.1 默认 tiny 优先体验,如需要更高精度可用 --model small 切换。
Q: 为什么优先推荐 tiny 模型?
A: v4.1 新增 tiny 模型优先体验(75MB),首次使用门槛从 466MB 降至 75MB。低配电脑也会自动使用 tiny 模型。如需更高精度,可手动切换 --model small/medium。
v4.7.0 新增功能 FAQ
Q: 5 套字幕样式包怎么选?
A: 通过 --subtitle-preset 指定:variety(综艺,大字亮黄黑描边)、interview(访谈,白字细描边稳重)、course(课程,白字深色底框长时间阅读)、minimal(极简,白字极细描边)、vertical(竖屏 9:16,底部留白抬高避开平台 UI)。样式定义为 JSON,存放于 templates/subtitle_styles/,可自行新增或改造。
Q: 双语同轴字幕怎么用?
A: 配合翻译使用:--translate-subs en --bilingual。工具会先翻译,再生成原文轨+译文轨同轴 ASS 字幕(subtitle_bilingual.ass),两轨用不同样式错位显示。默认两轨都显示,可用 --no-original-track 或 --no-translation-track 单独关闭某一轨。
Q: 术语表怎么配置?品牌名错译能强制纠正吗?
A: 用 --glossary 术语表.json 指定,JSON 格式为 {"源词": "目标词"},也支持按语言分表 {"en": {"源词": "目标词"}, "ja": {...}}。翻译前用占位符隔离受保护术语(机翻不会改写),翻译后还原并按术语表校对。命中率统计输出到日志;未命中的术语写入 待确认清单 JSON。人名/产品名/专业词均可纳入。
Q: 字幕烧录怎么用?需要手写 filter_complex 吗?
A: 不需要。加 --burn-subtitle 即可,工具会自动把样式包直连 ffmpeg subtitles filter 的 force_style 参数完成硬字幕压制。双语 ASS 用内嵌样式渲染,保证与预览一致。低配机自动用 ultrafast 编码档位,不拖累电脑。需要本机安装 ffmpeg。
Q: 术语命中率 100% 怎么保证? A: 有术语表时,源术语在翻译前被替换为私有区占位符,机翻原样保留,翻译后强制还原为目标词——因此命中率可达 100%。若个别占位符被机翻破坏,会自动列入待确认清单供人工复核,不会静默错译。
v4.6.0 新增功能 FAQ
Q: 播客模式怎么用?
A: 运行 --podcast 即可。工具会执行完整的播客流水线:说话人分离 → Podcasting 2.0 章节标记 → 金句提取。输出包含 chapters.json(可直接导入播客平台)、highlights.json(金句+时间戳+置信度)、speaker_timeline.json(逐说话人时间线)。
Q: 三类说话人分离预设有什么区别?
A: interview(访谈/播客:2-3人,中等间隔,merge_gap=1.0秒);meeting(会议/讨论:3-6人,短间隔,merge_gap=0.8秒);phone(电话/对讲:2人,长间隔,merge_gap=2.0秒)。通过 --diarize-profile 指定。质量评分自动输出,无需额外参数。
Q: 金句评分原理是什么? A: 纯本地三信号评分(无API):句长(15-80字最佳,占25%权重)+ 语义完整度(是否含动词/主语/判断词,占45%权重)+ 关键词密度(命中核心观点词如"关键""方法""经验"等,占30%权重)。置信度≥0.5的才会输出。
Q: 听后简报怎么用?
A: 运行 --weekly-briefing 即可。工具会查询 queue_manager 的 SQLite 队列,按周聚合生成 HTML 简报。简报包含:本周处理文件数、每日处理分布、总时长、金句 Top10。适合"每周等报告"的使用习惯。
Q: Podcasting 2.0 标准是什么?
A: Podcasting 2.0 是播客行业的现代标准,支持章节标记、章节图片、链接、字幕等。本工具生成的 chapters.json 遵循该标准,可直接导入 Apple Podcasts、Overcast、Pocket Casts 等平台,让听众可以按章节跳转。
v4.5.0 新增功能 FAQ
Q: 首跑自检怎么用?
A: 运行 --doctor 即可。工具会一次性探测 ffmpeg 可用性、whisper 模型缓存、磁盘剩余空间、内存水位和 GPU 可用性,输出检查报告。如果有问题项,会给出「缺什么→给什么」的修复命令清单,但不会自动执行写操作(先清单后确认)。
Q: 模型下载失败怎么办?
A: 使用 --download-model tiny 下载。工具会自动重试 3 次,支持断点续传(HTTP Range),并显示进度条和下载速度。国内用户建议先执行 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple。
Q: --quick 模式有什么用? A: 快速模式仅做语音转文字 + 时间戳摘要,跳过视觉分析、场景切割和剪辑链,5 分钟内产出单文件 Markdown。适合低配机与新用户快速体验,末尾自动附加 3 条「下一步建议」引导发现更多功能。
Q: 医生模式会修改我的系统吗?
A: 不会。doctor 模式只读探测,输出修复命令清单供用户参考。所有写操作(安装 ffmpeg、下载模型等)都需要用户手动执行或使用 --download-model 参数。
v4.4.0 新增功能 FAQ
Q: 一键成片怎么用?
A: 运行 --auto-edit 即可。工具会自动检测高光片段,通过 ffmpeg filter_complex 链生成成片视频。支持 3 种风格:口播精简(去除冗余保留核心)、高光集锦(精选高光片段)、预告片(悬念感强)。输出包含成片视频、EDL 映射表和平台规格包。
Q: 一键成片支持哪些平台?
A: 支持抖音(9:16 竖屏 1080x1920)、B站(16:9 横屏 1920x1080)、快手(9:16 竖屏)、微信视频号(9:16 竖屏)。通过 --edit-platform 指定。
Q: 字幕翻译需要什么依赖? A: 需要安装 cn-llm-router skill。未安装时工具会降级为仅输出中文字幕,并提示安装。翻译通过 subprocess 调用 router.py 的 translate 任务,支持 EN/JP/KO/FR/DE/ES/RU 七种语言。
Q: BGM 识别准确吗? A: BGM 识别基于 chromaprint 音频指纹,匹配本地参考库。需要用户提供常见 BGM 样本建立参考库。无依赖时该功能自动隐藏,不阻塞主流程。未知 BGM 会标记为高风险。
Q: 封面帧选取的原理是什么? A: 综合 Laplacian 锐度(清晰度)、人脸数量/位置(居中优先)、三分法构图评分和亮度适中度四个维度,从场景边界候选帧中选出 Top3。
Q: 剪映 6.0 适配是什么? A: 升级了 draft.json 生成器以对齐剪映 6.0 新 schema(materials/tracks/segments)。如果生成失败会自动降级为 SRT+EDL 格式,并输出 Premiere Pro/DaVinci Resolve/Final Cut Pro 的 EDL 导入指南文档。
更新提醒
启动时会自动检查 GitHub 上的新版本,发现更新时会显示提醒。使用 --no-update-check 可跳过此检查。
联系方式
如有更好建议:njskills@agent.qq.com
更新日志
| v4.7.0 | 2026-11-16 | 增加:字幕样式包(5套JSON样式:综艺/访谈/课程/极简/竖屏,SubtitleStylist 升级为样式包加载器,SRT/ASS/VTT 双格式多格式导出,内置兜底降级);增加:双语同轴字幕(原文轨/译文轨独立开关,ASS 用 Orig/Trans 双样式错位显示);增加:术语表引擎(GlossaryEngine 占位符前置替换+后置校对+命中率统计+待确认清单JSON,SubtitleTranslator 集成,品牌名零容忍);增加:字幕烧录一条命令(SubtitleBurner 封装 ffmpeg 硬字幕压制,样式包直连 force_style,按硬件档位选编码 preset);增加:--subtitle-preset / --bilingual / --glossary / --burn-subtitle / --original-track 等参数;补充:config.yaml 样式包/术语表/烧录/双语配置段与 FAQ | | v4.6.0 | 2026-11-02 | 增加:播客模式(core/podcast 模块:PodcastPipeline 整合说话人时间线+Podcasting 2.0 章节标记+金句提取,HighlightExtractor 三信号本地评分(句长/语义完整度/关键词密度),输出 chapters.json/highlights.json/speaker_timeline.json);增加:说话人分离三类预设(interview/meeting/phone,阈值/窗口/说话人上限可配,v4.1 质量评分改为随结果自动输出);增加:听后简报(WeeklyBriefing 复用 queue_manager SQLite + 周聚合视图,HTML 简报含本周处理/时长分布/金句Top10);增加:报告渲染器统一(合并音频/视频重复分支到统一渲染器,删除旧音频 JSON 路径);增加:--podcast / --diarize-profile / --weekly-briefing 参数 |
历史版本
v4.4.0 增加:一键成片(ffmpeg filter_complex 链,含片段拼接+转场+ASS字幕烧录+BGM+人声闪避,3种成片风格:口播精简/高光集锦/预告片,导出平台规格包:抖音9:16/B站横屏/快手/视频号,含BGM建议库与EDL映射表,仅导出不自动发布);增加:封面帧智能选取(Laplacian锐度+人脸数量/位置+三分法构图+亮度评分,输出Top3 PNG并附理由);增加:自动字幕翻译(白名单桥接 cn-llm-router 翻译任务,subprocess 调用 router.py chat --task translate --json,按字幕批量+术语表约束,生成EN/JP/KO/FR/DE/ES/RU的SRT/ASS/VTT,未安装则降级为仅输出中文字幕+提示安装);增加:BGM识别(可选依赖 chromaprint/fpcalc 计算音频指纹,匹配本地小参考库,输出版权风险提示:low/medium/high/unknown,无依赖则隐藏);优化:剪映6.0适配+EDL导入指南(升级 draft.json 生成器对齐新schema:materials/tracks/segments,失败自动降级为SRT+EDL,输出Premiere Pro/DaVinci Resolve/Final Cut Pro导入指南文档);增加:--auto-edit / --edit-style / --edit-platform / --bgm-path / --cover-select / --translate-subs / --translate-format / --bgm-detect / --jianying-v6 参数 |
历史版本
v4.3.0
- 增加:纯音频输入(mp3/m4a/wav 播客与录音,ffmpeg 探测后直接转 16k 单声道 wav 进 ASR)
- 合并:场景检测+章节切片为「场景管理」模块(detect→slice 一条链)
- 增加:短视频爆款预测(多模态特征+爆款样本对比,概率评分+改进建议)
- 增加:实时直播分析(流式ASR+滑动窗口+敏感词检测+实时告警)
- 增加:--scene-management / --viral-predict / --live-analyze 参数
- 优化:HTML/JSON/Markdown 报告新增爆款预测和直播分析板块
- 增加:tiny 模型优先体验(75MB 低门槛,首次使用从 466MB 降至 75MB)
- 增加:说话人分离质量评分(声纹距离 + 重叠率,0-100 分 + 高/中/低等级)
- 增加:剪映 draft.json 导出(可直接导入剪映专业版)
- 增加:--jianying / --quality-score 参数
- 优化:硬件自适应默认 tiny 模型,低配电脑友好
历史版本
v2.2.0
- 增加:使用场景示例表格(7个常见场景 + 对应命令)
- 增加:反模式 / 千万别这样用警告(7条)
- 增加:识别准确率说明表格(4个模块)
- 增加:首次使用前模型下载提醒(加速镜像命令)
- 增加:场景切分不准、文字识别漏字的原因说明
- 优化:触发方式 -> 使用场景示例,附场景+命令速查表
- 优化:文档结构新增前置提示
- 优化:准确率自检列表现已内置
v2.1.0
- 增加:网络下载 3 次自动重试机制
- 增加:能力边界与限制表格
- 增加:FAQ 常见问题(安装/运行/输出三类)
- 优化:错误提示改为中文,附带修复建议
- 优化:网络不稳定时自动重试,不再直接退出
v2.0.0
- 增加:硬件自适应(自动检测 CPU/内存/GPU,动态调整并行参数)
- 增加:进程优先级控制(nice_level),低配电脑自动降低优先级
- 增加:缓存自动清理(限制缓存目录大小,防 OOM)
- 增加:
--max-memory、--nice、--no-adaptive参数 - 修复:
scene_tags/scene_types拼写错误 - 修复:highlights 类型不匹配问题
v1.0.0
- 首个稳定版本
- 支持本地视频和 HTTP URL 输入
- HTML/JSON/Markdown 三格式输出
- 模块化设计,便于扩展
- Downloads
- Security audit
- Review
- Last updated
- 2d ago
- Current version
- v4.7.0
- License
- MIT-0
