video-frame-extractor - SKILL.md Agent Skill

name: video-frame-extractor description: 视频反推工具,支持视频抽帧、视觉模型分析、提示词生成,适用于视频创作参考、内容提取、场景分析 dependency: python: - opencv-python>=4.8.0 - pillow>=10.0.0 - requests>=2.28.0

视频反推工具 - 抽帧与视觉分析

任务目标

本Skill用于: 从视频中提取关键帧,使用视觉模型分析每帧内容,生成结构化描述和提示词
能力包含:
- 视频抽帧(支持间隔抽帧、均匀采样)
- 视觉模型API调用(支持GPT-4V/Claude-3.5-Sonnet等)
- 批量图片分析
- 结构化结果输出(JSON格式)
触发条件: 用户需要分析视频内容、提取分镜参考、生成创作提示词

前置准备

依赖说明:

opencv-python>=4.8.0
pillow>=10.0.0
requests>=2.28.0

视觉模型配置: 需要配置视觉模型API密钥(如GPT-4V、Claude-3.5-Sonnet),环境变量格式:

export VISION_API_KEY="your_api_key"
export VISION_API_BASE="https://api.openai.com/v1"  # 或其他API地址
export VISION_MODEL="gpt-4-vision-preview"  # 模型名称

Coze Bot配置(推荐): 使用您发布的Coze Bot API进行视觉分析,环境变量格式:
```
export COZE_BOT_ID="7572557757883383858"  # 您的Bot ID
export COZE_API_KEY="cztei_qHZQ0A5OSJjsmfZWmVb8bqu2BTbtB240YGbDYLhZpsIr8jER4aL4Aevyii8rnKfNs"  # 您的API Key
```
Coze Bot的优势: 集成了官方抽帧插件和视觉模型,无需额外配置

操作步骤

标准流程

步骤1: 视频抽帧

输入: 视频文件路径或URL
调用脚本: scripts/video_frame_extractor.py
参数:
- --input: 视频文件路径或URL
- --output: 输出图片目录
- --interval: 抽帧间隔(秒),默认1秒抽1帧
- --max_frames: 最大抽帧数,默认10帧
输出: 抽取的图片序列

# 示例: 抽取视频关键帧
python scripts/video_frame_extractor.py \
  --input ./input/video.mp4 \
  --output ./output/frames \
  --interval 3 \
  --max_frames 10

步骤2: 视觉分析

方案A: 使用Coze Bot API(推荐)

输入: 抽帧图片目录
调用脚本: scripts/coze_bot_client.py
参数:
- --image_dir: 图片目录
- --prompt: 分析提示词(可选)
- --output: 输出JSON文件路径
输出: 每张图片的描述和分析结果

# 示例: 使用Coze Bot分析抽帧图片
python scripts/coze_bot_client.py \
  --image_dir ./output/frames \
  --prompt "分析场景内容、人物状态、构图特点,适合AI视频创作" \
  --output ./output/analysis.json

方案B: 使用其他视觉模型API

输入: 抽帧图片目录
调用脚本: scripts/visual_analyzer.py
参数:
- --input: 图片目录或单张图片路径
- --output: 分析结果JSON文件路径
- --prompt: 分析提示词(可选,默认分析场景/人物/构图)
输出: 每张图片的描述和分析结果

# 示例: 使用GPT-4V分析抽帧图片
python scripts/visual_analyzer.py \
  --input ./output/frames \
  --output ./output/analysis.json \
  --prompt "分析场景内容、人物状态、构图特点,适合AI视频创作"

步骤3: 结果整合

智能体读取分析结果JSON
根据分析结果生成提示词
可用于视频创作参考或分镜设计

可选参数

抽帧参数:

--interval: 抽帧间隔(秒),越小抽帧越密集
--max_frames: 最大抽帧数,控制输出数量
--start_time: 开始时间(秒)
--end_time: 结束时间(秒)
--resolution: 输出图片分辨率,默认1080P

分析参数:

--prompt: 自定义分析提示词
--detail: 分析详细程度(brief/standard/detailed)
--batch_size: 批量分析大小,默认5张

资源索引

必要脚本:
- scripts/video_frame_extractor.py - 视频抽帧工具
- scripts/coze_bot_client.py - Coze Bot API调用工具(推荐)
- scripts/visual_analyzer.py - 其他视觉模型API调用工具
领域参考:
- references/analysis-guide.md - 视觉分析指导与提示词模板

注意事项

视觉模型API密钥需提前配置,否则无法调用分析功能
抽帧间隔和最大帧数需根据视频时长合理设置
视觉分析结果依赖模型能力,不同模型输出格式可能不同
建议先用小规模抽帧测试,确认效果后再大规模处理

使用示例

示例1: 完整反推流程(使用Coze Bot)

# 1. 抽取视频关键帧
python scripts/video_frame_extractor.py \
  --input ./input/source_video.mp4 \
  --output ./output/frames \
  --interval 2 \
  --max_frames 8

# 2. 使用Coze Bot分析抽帧内容
python scripts/coze_bot_client.py \
  --image_dir ./output/frames \
  --prompt "详细描述场景、人物、构图,适合AI视频创作参考" \
  --output ./output/analysis.json

# 3. 智能体读取analysis.json,生成创作提示词
# 智能体将根据分析结果组织内容,生成可用于AI创作的提示词

示例2: 仅抽帧(不分析)

python scripts/video_frame_extractor.py \
  --input ./input/video.mp4 \
  --output ./output/frames \
  --interval 5 \
  --max_frames 5

示例3: 单张图片分析

# 使用Coze Bot
python scripts/coze_bot_client.py \
  --image ./output/frames/frame_00001.jpg \
  --prompt "分析这张图片的场景风格和构图"

# 或使用其他视觉模型
python scripts/visual_analyzer.py \
  --input ./output/frames/ \
  --output ./analysis.json \
  --prompt "分析场景风格和构图"

输出格式

抽帧输出:

./output/frames/
├── frame_00001.jpg
├── frame_00002.jpg
├── frame_00003.jpg
└── ...

分析输出(JSON):

{
  "total_frames": 10,
  "analysis": [
    {
      "frame_file": "frame_00001.jpg",
      "timestamp": "00:00:00",
      "description": "场景描述内容...",
      "elements": ["人物", "背景", "道具"],
      "style": "风格描述..."
    },
    {
      "frame_file": "frame_00002.jpg",
      "timestamp": "00:00:03",
      "description": "场景描述内容...",
      "elements": ["人物", "背景", "道具"],
      "style": "风格描述..."
    }
  ]
}

技术说明

抽帧技术:

使用OpenCV的VideoCapture读取视频
按时间间隔均匀采样关键帧
支持多种视频格式(MP4/MOV/AVI等)

视觉分析:

支持Coze Bot API(推荐,已集成抽帧和视觉模型)
支持主流视觉模型API(GPT-4V/Claude-3.5-Sonnet等)
批量处理,提升效率
结构化输出,便于后续处理

Coze Bot优势:

集成官方抽帧插件,抽帧质量高
内置视觉模型,无需额外配置
一站式服务,抽帧+分析一体化
支持流式响应,实时获取结果

性能优化:

可配置抽帧间隔,减少冗余帧
批量API调用,减少请求次数
结果缓存,避免重复分析