讓 AI 看懂影片 Watch Video

把影片網址丟給 AI，它讀了標題和描述就開始講——那不叫看過影片。

這支把影片拆成三樣 AI 真的讀得懂的東西再讓它回答：

• 去重複的關鍵幀——只留畫面真的變化的那些
• 九宮格 contact sheet——一次讀九張，省 9 倍圖片量
• 逐字稿——中文另外跑高準度模型，不用內建的

差別在哪

沒看過畫面的 AI 只能給你：「這支影片在講健身的重要性，內容豐富，值得參考。」

看過畫面的 AI 給你：「0–2 秒用失敗畫面當 hook，第 3 秒切正面示範形成對比；全片 6 個鏡位、平均 2.4 秒換一次；第 12 秒的字卡是整支的轉折點，前面講問題後面才講解法。」

用法

看一下這支 https://...

或帶著目的（推薦，結果會聚焦很多）：

拆解這支的腳本結構 https://...

前置工具

為什麼逐字稿要另外跑

crv 內建的 whisper 用 base 模型，中文準度明顯不夠。中文影片改用 faster-whisper small ＋ 指定語言 ＋ VAD，差距很大。所以流程固定讓 crv 只做抽幀（--no-transcribe），逐字稿另外處理。

英文影片可以例外——直接用 YouTube 現成字幕更快。

內含的疑難排解

• Windows 的 cp950 編碼崩潰（要加 PYTHONUTF8=1）
• 防毒軟體注入 SSLKEYLOGFILE 導致轉錄工具的 OpenSSL 直接崩——這個錯誤訊息完全看不出真因，會 debug 很久
• 抽幀太多／太少的參數調法

使用邊界

只處理你自己有權存取的影片。需登入的內容只用你自己的 cookies，不繞過任何平台的存取控制。

授權

MIT。crv、yt-dlp、ffmpeg、whisper 各自依原授權。