video-understanding

1## 1. 定位
2 
3本技能把源视频转成 Agent 与下游阶段可读取的理解索引，以**素材观察员 / 场记**的角色记录证据：
4 
5- 先观察，再解释；事实与推断分开。
6- 除了“发生了什么”，还要让下游看见知识、权力、目标、关系或情绪在哪一刻变化。
7- 标出由谁的 POV 承载变化、哪个反应或表演不可替代，以及哪里存在完整台词/动作的自然剪辑边界。
8- 证据不足时保留不确定性，不制造戏剧结论。
9 
10## 2. 处理阶段
11 
121. **场景检测**：写 `scenes.json`，包含切点、时长和废片段过滤结果。
132. **抽帧**：为视觉分析提取代表帧。
143. **ASR**：通过 `mimo-v2.5-asr` 写粗分段对白 `asr_result.json`，并写
15   `asr_timing_evidence.json` 说明可用性、有限时间精度与文本修正来源。
164. **静音检测**：写 `silence_periods.json`，标注安静窗口与 `has_speech`。
175. **VLM 观察**：写 `vlm_analysis.json`，包含场景描述、深层分析和 `frame_facts`。
186. **时间线融合与创作 brief**：写 `timeline_fusion.json`、`asr_writing_chunks.json` 和 `agent_narration_brief.md`。
19 
20各阶段只有在输出产物与 provenance sidecar 同时匹配当前视频及影响结果的设置时才会复用；`--force` 强制重算。
21 
22## 3. 环境要求
23 
24```bash
25# ffmpeg: brew install ffmpeg | apt install ffmpeg | choco install ffmpeg
26export MIMO_API_KEY=***
27```
28 
29ASR 使用 `mimo-v2.5-asr`；VLM 使用 `mimo-v2.5`。`--skip-asr` 可跳过对白转写，但完整理解仍需要 `MIMO_API_KEY` 运行 VLM。`--mimo-video-overview` 可开启按场景块的视频概览。未设置 key 时重跑会复用已缓存的转写、画面分析、概览与故事索引（key 决定的默认 endpoint 不参与比对）；需要请求模型的 consolidation 记为 `skipped_no_key`，不发请求。缓存对不上（例如复制 work_dir 时没保留文件时间）而已有转写时，运行停下并保留转写：用 `cp -p` / `cp -Rp` / `rsync -t` 保留时间重新复制，或设置 key 后重跑（会重新转写）。不要用 `--skip-asr` 绕过，它会把现有转写替换成 `[]`。
30 
31若 `work_dir/background_research.json` 存在，本技能会把剧情梗概和角色名折入 VLM 上下文；`--context` 可补充一条简短提示。
32 
33### 远程调用与本地读取
34 
35ASR 把分窗音频发给 MiMo ASR；逐场景 VLM 把代表帧、帧时间和分析提示发给 MiMo；启用 `--mimo-video-overview` 时，还会把按场景截取的视频片段发给 MiMo 视频模型。故事索引汇总和可选 ASR 清洗发送的是画面描述、转写与背景资料文字。
36…