用途：把原始录屏、Loom 或产品演示视频加工成带专业变焦/平移效果的成片，镜头会跟随旁白聚焦到正在讲述的界面元素、指标、文字或代码。
主要能力：根据音频转录识别强调语句和所指元素，自动在对应时间点添加平滑变焦与滑动；支持整体或局部缩放、跨相邻元素平移、ease-in-out 过渡，以及可选替换或混入背景音乐。它不生成新视频、不加头像或口播人像、不剪辑裁切、不添加文字标注。
使用方式：需先安装 Node.js v18+、npm、Remotion、whisper-cpp、Whisper base 英文模型、Python 3 与 Pillow。首次运行创建项目：npx create-video@latest --yes --blank --no-tailwind video-polish，然后 cd video-polish && npm i。流程依次为读取视频元数据、用 ffmpeg 提取音频并用 whisper-cli 转录、在强调时间点抽帧、用 Pillow 画网格测量焦点坐标、构建关键帧时间线、用 Remotion still 逐帧验证目标、编写 Composition 后在 public/ 放置源文件，最后用 npx remotion render <CompositionId> --output=<output_path>.mp4 渲染。输出为 MP4（H.264），分辨率与帧率同源视频。
适用场景：录屏教程、产品演示、走查视频的后期镜头增强。
限制：页面滚动会使坐标变化，必须在准确时间点抽帧；渲染前必须用静帧验证；3 倍以上放大在高分辨率不足的源上会像素化（720p 约 2.5 倍上限，1080p 约 3.5 倍）；不支持动态跟踪动画界面；转录质量受音频清晰度影响；焦点靠近边缘时高倍缩放可能出现黑边。价格与更多细节暂未提供。