用途：在本地理解视频内容，通过 ffmpeg 抽帧和 Whisper 转写，全程离线，无需 API 密钥。
主要能力：支持三种抽帧模式——scene（默认，按场景变化检测，阈值 select='gt(scene,0.3)'）、keyframe（提取 I 帧）、interval（按视频时长与最大帧数均匀采样）；scene 模式未检测到场景变化时自动回退到 interval。可限制保留帧数（默认 20），可选择 Whisper 模型（tiny、base、small、medium、large，默认 base），可跳过音频转写仅抽帧，可静默输出纯 JSON，也可将结果写入文件。输出 JSON 包含视频路径、时长、分辨率、模式、帧列表（路径、时间戳）、帧数、转写片段与全文。
使用方式：需先安装 ffmpeg 与 ffprobe（brew install ffmpeg）；转写为可选，需 pip install openai-whisper。基本命令：python3 skills/video-understand/scripts/understand_video.py video.mp4。可选参数：-m/--mode 指定模式，--max-frames 限制帧数，--whisper-model 指定模型，--no-transcribe 仅抽帧，-o/--output 输出到文件，-q/--quiet 仅输出 JSON。可用 Read 工具查看抽出的帧图片进行视觉理解。
适用场景：需要离线分析视频画面与语音内容、生成帧与转写结构化结果的场合。
限制：依赖本地 ffmpeg 与可选 Whisper 环境；转写质量与速度受所选 Whisper 模型影响；具体性能与效果资料未提供。