视频解构流水线
一条抖音视频 → 能照着重拍的文字稿

把抖音链接（或一批链接）交给团队已有的去水印工具，自动下载出无水印视频。这一步是现成的，7 月初刚批量用过。

用专门训练过的切镜头模型（TransNetV2，公开测试准确率 87%）逐帧找剪辑切点，再在每个切点截图。92 秒的测试视频检出 34 个物理镜头——比最初用的 ffmpeg 土办法多找回 2 个漏掉的镜头、纠正了 8 处边界时间（质量审查后 7/10 晚换装）。下面是其中 6 张真实抽帧：

t=00:00 封面

t=00:03 口播

t=00:04 特写

t=00:14 实拍

t=00:39 图卡

t=01:24 表格

从这 6 张就能看出视频骨架：封面 → 口播 → 实拍佐证 → 产品图卡 → 引流表格。

轨道 A「看字幕」：抖音视频几乎都有博主自己压上去的字幕——那就是作者亲手写的标准答案。我们把每帧画面的字幕区裁出来（如下图），用 OCR 识字，得到 79 条带时间戳的字幕：

↑ 真实的字幕带裁剪图。OCR 从这里读出「第一、改水电之前」，连哪几个字是红色高亮都看得到。

轨道 B「听声音」：用阿里开源的 SenseVoice 在本机把音频转成文字（不用联网、不花钱）。选它是实测选出来的——同一条视频，两个模型的听错对比：

互校规则：两轨对不上时，以字幕为准（作者自己写的）；字幕 OCR 偶尔认错字（比如把「真的闹心」认成「夏的闹心」），再用语音轨修回来。双保险跑完，解说词基本零错。

单看一张图判断不了镜头在怎么动，但把间隔 1 秒的两帧放一起就行：画面整体变大 = 镜头在推近；画面平移 = 在横摇；构图不变但从模糊变清晰 = 焦点在变。真实例子——脏滤芯镜头的相邻两帧：

→

↑ 构图一模一样、一虚一实 → 判定为「焦点由虚到实」（专业叫 rack focus），这是全片唯一的技巧运镜，写进了分镜稿。整片判出 7 种运镜：三脚架固定、手持跟拍推进、手持微晃、固定俯拍、焦点变化、长图上滚等。

Claude 把所有素材汇总成四份东西。① 全片风格参数——复刻整体感用的（人设、节奏、字幕规矩、配音情绪）；② 七要素分镜表——每镜一行，真实节选两行：

③ 解说词终版（带时间戳，双轨互校后基本零错）；④ pipeline_config.json——给以后「AI 重新生成视频」的环节直接读的机器格式，节选：

机位、景别、时长都变成了固定字段——后面接文生图、图生视频的环节可以直接按参数干活，不用再猜。

怎么知道文字稿够不够好？找一个从没看过原视频的 AI，只给它文字稿，让它写一份「照着能拍」的重拍脚本——它写不出来的地方、拿不准的地方，就是文字稿缺的信息，藏不住。

这个盲测还立了一功：文字稿里有一段主动标注「S30 是否有捏阀门的实物演示，没拍到证据」——复查原片连续帧后确认是纯口播。宁可标「不知道」也不瞎编，是整套流程的质量底线。