用途 video-analysis 用于回答关于视频内容的问题:先定位可能包含答案的帧,再通过读取图像查看这些帧。所有操作围绕工作区进行,脚本会获取视频并抽取静态帧;需要语音内容时,可搭配 video-transcript 技能,将转写文本写入同一工作区。
主要能力
- 获取视频:使用 fetch 从链接(yt-dlp 支持的站点)或本地文件建立工作区,并生成 summary.md,记录标题、时长、分辨率、帧率、旋转、HDR、音频、内嵌字幕流、章节和 YouTube 最常回放片段等信息。
- 概览与定位:sheet 在指定范围内均匀生成带时间戳的缩略拼图,便于粗看整片或缩小到某几秒。
- 精确检查:frames 输出全分辨率 JPEG,支持指定时刻、连拍(--every)、按镜头抽帧(--scenes)和按源像素裁剪(--crop)。
- 镜头与事件:scenes 检测剪辑点并记录镜头长度;events 检测黑帧、冻结帧和静音片段。
- 会议屏幕共享:screens 将共享画面切分为不同屏幕状态,并生成 screens/screens.md,列出每个屏幕的时间范围、稳定帧及其间转写内容。
- Gemini 辅助:gemini 可让 Gemini 直接观看视频,用于长视频定位或连续动作理解,结果需用帧或转写核实。
使用方式 脚本调用形式为 python3 <skill-dir>/scripts/video_analysis.py <command>。fetch 之后的命令均接收工作区目录,各命令可用 -h 查看参数。时间戳可使用秒数(75.5)或时钟时间(1:15、1:02:03)。典型流程为:明确问题依赖的信息,选择首个动作;fetch 获取视频;用 sheet 概览或定位;用 frames 检查关键秒数;必要时用 scenes、events、screens 或 gemini 辅助。分析完成的标准是:关于视频内容的每条结论都带时间戳并基于证据,仅来自 Gemini 的结论需标注,并在可能漏看内容时说明所用帧间距。
适用场景 适合视频内容问答、整片总结与评论、已知时刻查看、事件发生时间定位、动作或交互序列分析、屏幕文字读取、剪辑节奏分析、技术质量检查、带屏幕共享的会议记录回看,以及长视频的初步定位。
限制 缩略拼图分辨率有限,不适合阅读小字;帧之间有间距,短于间距的事件可能被漏掉;长视频需要缩小问题范围或借助 Gemini。Gemini 结果可能转述失准或描述不存在的内容,必须核实。上传非公开视频到 Google 前需征得用户同意,且需要 GEMINI_API_KEY。部分站点可能有登录墙或机器人检查,需要用户协助并提供浏览器 Cookie。流式工作区中的流 URL 数小时后会过期,遇到 403 需重新执行 fetch --stream。