Video understanding

1. 定位

本技能把源视频转成 Agent 与下游阶段可读取的理解索引。它的创作角色是素材观察员 / 场记，不是导演：

• 先观察，再解释；事实与推断分开。
• 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。
• 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。
• 证据不足时保留不确定性，不制造戏剧结论。

2. 处理阶段

1. 场景检测：写 scenes.json，包含切点、时长和废片段过滤结果。
2. 抽帧：为视觉分析提取代表帧。
3. ASR：通过 mimo-v2.5-asr 写时间戳对白 asr_result.json。
4. 静音检测：写 silence_periods.json，标注安静窗口与 has_speech。
5. VLM 观察：写 vlm_analysis.json，包含场景描述、深层分析和 frame_facts。
6. 时间线融合与创作 brief：写 timeline_fusion.json、asr_writing_chunks.json 和 agent_narration_brief.md。

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。

3. 环境要求

# ffmpeg: brew install ffmpeg | apt install ffmpeg | choco install ffmpeg
export MIMO_API_KEY=***

ASR 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。

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。

下面的 scripts/... 均相对于本技能目录。若执行器从仓库根目录启动，请给脚本路径加上本技能的绝对目录。脚本不从其他技能目录读取文件；外部输入仅限命令显式传入的视频、参数与 work_dir 产物。

4. 运行命令

python3 scripts/understand.py <video> --work-dir <work_dir> \
  [--context "节目名/角色名"] [--scene-threshold 0.1] [--skip-asr] [--mimo-video-overview] [--force]

5. 输出契约

文件	内容
scenes.json	场景切点、起止时间与时长
asr_result.json	[{start, end, text}] 时间戳对白
vlm_analysis.json	逐场景描述、深层分析与 frame_facts
silence_periods.json	[{start, end, duration, has_speech}] 安静窗口
timeline_fusion.json	VLM、ASR 与静音信息的统一时间线
asr_writing_chunks.json	按句界和场景切分的 ASR 写作块
agent_narration_brief.md	Agent 首先阅读的创作简报

后续写作阶段根据创作简报与索引制定方案并写 narration.json。

6. 参考资料

• 背景调研：references/research-guide.md，产出 background_research.json。
• JSON 结构：references/data-schema.md。

7. 能力边界

• 不写解说词，也不做解说评分；只负责生成理解索引与创作简报。
• 不剪辑、不配音、不合成视频。
• 不编造信号无法支持的剧情；当 ASR / VLM 过薄时输出素材警告。
• 不发布、不调度，只向 work_dir 写产物并停止。