一键视频拉片分析
自动分析视频的镜头语言、构图、色彩和音频，生成专业的 HTML 可视化报告。
触发条件
当用户请求以下内容时触发：
-
"帮我分析/拉片这个视频"
-
"分析视频的镜头语言"
-
"/pull-film <视频路径或URL>"
输入要求
-
视频来源：本地文件路径（.mp4/.mkv/.avi/.mov）或在线 URL（YouTube/Bilibili 等）
-
可选参数：--language <zh/en/ja> 音频语言、--output <目录> 输出目录、--no-audio 跳过音频、--max-scenes <数量> 限制镜头数
依赖
工具 用途 安装
ffmpeg/ffprobe 视频处理、抽帧 brew install ffmpeg
Python3 + PIL 色彩分析 pip3 install Pillow
scenedetect 镜头切分 pip3 install "scenedetect[opencv]"
yt-dlp 在线视频下载（可选） pip3 install yt-dlp
whisper 音频转录（可选） pip3 install openai-whisper
执行流程
第 1 步：环境检查
检查 ffmpeg、python3、scenedetect 是否已安装，缺少则提示用户安装。
第 2 步：处理视频输入
本地视频 — 用 ffprobe 获取元信息（时长、分辨率、帧率、编码）
在线视频 — 用 yt-dlp 下载后再处理：
yt-dlp -f "bestvideo[ext=mp4]+bestaudio[ext=m4a]/best[ext=mp4]/best"
--merge-output-format mp4 -o "<输出目录>/source_video.mp4" "<URL>"
第 3 步：创建输出目录结构
mkdir -p "<输出目录>"/{frames,data,audio}
第 4 步：镜头切分
使用 ffmpeg 的场景检测或 PySceneDetect：
方法 A - 使用 ffmpeg 场景检测：
ffmpeg -i "<视频>" -filter:v "select='gt(scene,0.3)',showinfo" -f null - 2>&1 | grep showinfo
方法 B - 使用 PySceneDetect（更准确）：
python3 << 'EOF' from scenedetect import detect, AdaptiveDetector import json
scenes = detect("<视频路径>", AdaptiveDetector()) result = [] for i, (start, end) in enumerate(scenes, 1): result.append({ "id": i, "start_time": start.get_seconds(), "end_time": end.get_seconds(), "start_frame": start.get_frames(), "end_frame": end.get_frames() }) print(json.dumps(result, indent=2)) EOF
将结果保存到 <输出目录>/data/scenes.json
第 5 步：提取关键帧
对每个镜头提取 3 帧（开头、中间、结尾）：
对于每个镜头
ffmpeg -ss <start_time> -i "<视频>" -vframes 1 -q:v 2 "<输出目录>/frames/scene_<ID>start.jpg" ffmpeg -ss <mid_time> -i "<视频>" -vframes 1 -q:v 2 "<输出目录>/frames/scene<ID>mid.jpg" ffmpeg -ss <end_time-0.1> -i "<视频>" -vframes 1 -q:v 2 "<输出目录>/frames/scene<ID>_end.jpg"
第 6 步：镜头分析（使用 Claude Vision）
对每个镜头的关键帧，使用 Read 工具读取图片，然后分析：
分析内容：
景别 (Shot Scale)
-
特写：面部或物体细节填满画面
-
近景：人物胸部以上
-
中景：人物膝盖或腰部以上
-
全景：完整人物或场景主体
-
远景：广阔环境，人物占比小
运动 (Camera Movement)
-
固定：机位不动
-
推：向主体靠近
-
拉：远离主体
-
摇：水平转动
-
移：横向或纵向移动
-
跟：跟随运动物体
-
升降：垂直升降
-
手持：有明显晃动
角度 (Camera Angle)
-
平视：与被摄对象平行
-
仰视：从下往上拍
-
俯视：从上往下拍
-
荷兰角：画面倾斜
构图 (Composition)
-
三分法、对称、引导线、框中框、对角线、中心构图
色彩情绪
-
色温：冷色调/暖色调/中性
-
整体氛围
第 7 步：色彩分析
使用 Python 提取主色调：
python3 << 'EOF' import json from PIL import Image from collections import Counter import colorsys
def analyze_colors(image_path, n_colors=5): img = Image.open(image_path).convert('RGB') img = img.resize((100, 100)) # 缩小加速 pixels = list(img.getdata())
# 简化颜色（量化）
def quantize(color):
return tuple(c // 32 * 32 for c in color)
quantized = [quantize(p) for p in pixels]
counter = Counter(quantized)
top_colors = counter.most_common(n_colors)
# 转为 HEX
hex_colors = ['#{:02x}{:02x}{:02x}'.format(*c[0]) for c in top_colors]
# 分析色温
avg_r = sum(p[0] for p in pixels) / len(pixels)
avg_b = sum(p[2] for p in pixels) / len(pixels)
temperature = "暖色调" if avg_r > avg_b * 1.1 else ("冷色调" if avg_b > avg_r * 1.1 else "中性")
return {"dominant": hex_colors, "temperature": temperature}
result = analyze_colors("<图片路径>") print(json.dumps(result)) EOF
第 8 步：音频分析（可选）
如果没有 --no-audio ：
提取音频
ffmpeg -i "<视频>" -vn -acodec pcm_s16le -ar 16000 -ac 1 "<输出目录>/audio/audio.wav"
使用 Whisper 转录（如果已安装）
python3 << 'EOF' import whisper import json
model = whisper.load_model("base") result = model.transcribe("<输出目录>/audio/audio.wav", language="<语言>")
output = { "language": result.get("language", "unknown"), "segments": [{"start": s["start"], "end": s["end"], "text": s["text"]} for s in result["segments"]], "full_text": result["text"] } print(json.dumps(output, ensure_ascii=False, indent=2)) EOF
将转录结果保存到 <输出目录>/data/transcript.json
第 9 步：生成 HTML 报告
创建一个包含以下内容的 HTML 报告：
<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <title>视频拉片报告 - [标题]</title> <script src="https://cdn.jsdelivr.net/npm/chart.js"></script> <style> /* 现代化样式 */ * { box-sizing: border-box; margin: 0; padding: 0; } body { font-family: system-ui, sans-serif; background: #f5f5f5; } .container { max-width: 1400px; margin: 0 auto; padding: 20px; } header { background: linear-gradient(135deg, #667eea, #764ba2); color: white; padding: 40px; border-radius: 12px; text-align: center; } .section { background: white; border-radius: 12px; padding: 25px; margin: 20px 0; box-shadow: 0 2px 10px rgba(0,0,0,0.1); } .scene-card { border: 1px solid #eee; border-radius: 10px; margin: 15px 0; overflow: hidden; } .scene-header { background: #f8f9fa; padding: 15px; display: flex; justify-content: space-between; } .keyframes { display: flex; gap: 10px; } .keyframes img { width: 200px; height: 112px; object-fit: cover; border-radius: 6px; } .color-swatch { width: 30px; height: 30px; border-radius: 6px; display: inline-block; } </style> </head> <body> <div class="container"> <header> <h1>🎬 [视频标题]</h1> <p>时长: [时长] | 分辨率: [宽x高] | 镜头数: [数量]</p> </header>
<div class="section">
<h2>📊 统计概览</h2>
<canvas id="scaleChart"></canvas>
<canvas id="durationChart"></canvas>
</div>
<div class="section">
<h2>🎞️ 拉片表</h2>
<!-- 每个镜头的卡片 -->
<div class="scene-card">
<div class="scene-header">
<span>镜头 #1</span>
<span>0.00s - 3.50s</span>
</div>
<div class="scene-content">
<div class="keyframes">
<img src="frames/scene_001_start.jpg">
<img src="frames/scene_001_mid.jpg">
<img src="frames/scene_001_end.jpg">
</div>
<div class="analysis">
<p><strong>景别:</strong> 中景</p>
<p><strong>运动:</strong> 固定</p>
<p><strong>角度:</strong> 平视</p>
<p><strong>构图:</strong> 三分法</p>
<p><strong>色温:</strong> 暖色调</p>
<p><strong>主色调:</strong> <span class="color-swatch" style="background:#xxx"></span></p>
<p><strong>对白:</strong> "..."</p>
</div>
</div>
</div>
</div>
<div class="section">
<h2>📝 完整对白</h2>
<pre>[转录文本]</pre>
</div>
</div>
<script>
// Chart.js 图表代码
</script>
</body> </html>
将报告保存到 <输出目录>/report.html
第 10 步：输出结果
完成后告知用户：
-
报告路径：<输出目录>/report.html
-
镜头数量
-
总时长
-
是否包含音频转录
输出格式
<输出目录>/ ├── report.html # 主报告（浏览器打开） ├── frames/ # 关键帧截图 │ ├── scene_001_start.jpg │ ├── scene_001_mid.jpg │ └── ... ├── data/ │ ├── scenes.json # 镜头数据 │ ├── analysis.json # 分析结果 │ └── transcript.json # 对白转录 └── audio/ └── audio.wav # 提取的音轨
示例
用户输入：
/pull-film ./movie.mp4
用户输入：
/pull-film https://www.youtube.com/watch?v=xxxxx --language zh
用户输入：
帮我分析一下这个视频的镜头语言 ./trailer.mp4
注意事项
-
对于长视频（>10分钟），建议使用 --max-scenes 限制分析数量
-
Claude Vision 分析需要逐个读取关键帧图片
-
Whisper 转录在首次使用时会下载模型（约 150MB）
-
在线视频下载依赖 yt-dlp，某些平台可能有限制