阅读视频的维护记录

这是阅读视频背后的维护记录。用脚本时不用看，出问题或者要改做法时再看。

从哪来

• 2026-10-17 用户定下「视频笔记拆成下载、分析、输出，下载和分析归 agent-io」，video_read.py 就是分析这一段
• 选帧、抽帧、联系图照搬视频笔记的 extract_video_keyframes.py：每P中间先取一帧，其余按总时长均匀撒；-ss 放 -i 前面；竖屏用竖格子
• 转写照搬视频笔记 agent_io.py 里的那套：抽 16 kHz 单声道 32 kbps mp3，10 分钟一块，verbose_json 加词级时间戳和 diarization，一个人讲的整块只回一个 segment，按词级时间戳和标点重新切成字幕行
• 输入换成解析分享链接的文件夹，读 meta.json 的 parts，不再自己下视频；也收单个视频文件

这次补的

• 静音不送转写：三轮新 agent 都自己用 volumedetect 判断有没有声音。静音音轨照样计费、转回来是空的，所以最大音量低于 -50 dB 就跳过
• 图文拼图：三轮 agent 都自己拼过多图。其中一轮用图片序列直接接 tile，碰到尺寸不同的图悄悄截断，第一次拼出来的图不全；脚本先把每张缩放补边到 300×400 的格子，再拼，左上角标序号
• 按张数定行列：不满 12 张的拼图原来照样是 4×3，最后一张只有 1 张图时大半是空白；改成张数少就少几行、少几列
• 短视频按画面切换取帧：分析段验收时，抖音那条 46 秒教程把三段提示词全屏放在 6–9 秒，均匀撒的 12 帧落在 5.3 秒和 9.7 秒，正好漏掉；口播每分钟 394 字，按字数也报不了警。改成 3 分钟以内按画面切换取：提示词卡那次切换的分数是 1.0，全片最高。第一版取在切换后 0.4 秒，卡片是逐字打出来的，只拍到一半；改成取在下一个切换之前，三段拍全
• 单帧不缩小：原来单帧缩到 540 宽再补边，2160×2880 的录屏界面字读不了；改成长边最多 1920，只有拼联系图时才缩
• 重复帧：原来先在每P中间取一帧、再均匀撒，单P视频两种取法撞在同一时刻，12 格只有 11 张不同的图；改成先均匀撒，再给没分到的P补一帧
• 补空档、手动补帧：端到端验收时，同一条抖音 17–28 秒是录屏里 Agent 对话慢慢滚动，没有一处画面切换，一帧都没取到，验收的 agent 只好自己用 ffmpeg 补抽，补的帧进不了证据索引。改成超过 6 秒没切换就每 4 秒补一帧；另加 --at 按时间点补帧，补的帧进 keyframes.json。原来 --force 连转写一起重做、重新扣钱，拆成 --force 只重做取帧、--retranscribe 才重新转写
• 临时文件：原来用系统临时目录，本机根分区满了；改成写在输出文件夹里
• 每分钟字数：3 分钟以上的视频每分钟不到 80 字时提醒内容在画面上；阈值是自己定的，视频笔记原来按字幕密度算画面依赖，这里只留一句提醒

实测

2026-10-17，输入是解析分享链接刚取下的文件夹：

没做的

• 没有 OCR：联系图和单帧交给能看图的模型，模型看不了图就只能读转写
• 长视频没实测：50 分钟的课这次只取了元数据，没下视频、没转写
• 帧是按时间均匀取的，不是按画面切换取的；PPT 类视频可能漏页