用途：在基于素材进行剪辑或创作之前，先弄清出镜谈话类视频展示了什么、何时发生。适用于人物对镜头讲话、访谈、播客或 vlog；屏幕录制按其像素读取（见 screen-recording-analysis 技能），若其中包含用户自己的旁白，该语音与普通谈话素材一样在此转录，画面部分不额外观看。
使用方式：
- 先阅读 references/talking-footage.md，再观看素材。
- 用 picsart_media_probe 探测文件：尺寸、时长、是否含音频。它只报告容器事实，不报告画面内容。
- 用 picsart_media_describe_video 以用例请求为问题，要求返回 JSON 而非散文。该调用每次消耗积分，运行前需获得用户同意。
- 除非探测报告 hasAudio: false，且旁白值得引用，用 picsart_media_transcribe 转录。探测无法判断时不会输出 hasAudio，这不等于“无音频”。
- 探测与观看互不依赖，可同时运行。观看是关键步骤；若失败或返回的不是所要求的 JSON，重试同一调用一次；仍失败则告知用户服务暂不可用，稍后重试，绝不能凭空猜测内容。
- 观看与转录返回的是任务回执而非结果，按 picsart-video-rules 处理。
谈话素材的处理：转录是判断一个想法起止位置的唯一来源，应对每个有语音的源做转录，可能有多人说话时说话人设为 "auto"，结果逐字保存为 transcript-<source id>.json 并传给需要的脚本，只需记住片段列表而非每个词。观看负责指出值得保留的内容（精彩时刻、冷场段落、出镜人物），其对音频的理解只是大意，不能作为边界。空转录表示无语音，不是需要重试的失败；稀薄转录（片段只覆盖极短时长或没有带词时间的片段）也不能用来切分，应一行说明素材几乎无语音，由观看得到的时刻确定边界。观看对人物位置的判断是估计值，切勿据此裁剪画面，取景由 footage-reframing 技能从素材中测量主体。
多源处理：多个来源可同时读取，每个视频各自探测、观看、转录，互不等待。照片只做尺寸探测，因为它没有语音，也没有随时间发生的事件。
限制：视频描述消耗积分需用户同意；观看结果必须是 JSON；转录与观看返回任务回执；人物位置估计不可用于裁剪；视频描述不可用时不得猜测内容。