SAOS-3624/dsh-video-storyboard

dsh-video-storyboard

让 AI 真正"看过"一段视频：一张分镜图 + 一份带时间码的文本清单，模型据此回答"第 3 分钟发生了什么""这句话对应哪一格"。

> English: README.en.md

> 已收录于 awesome-dsh-plugin。

---

它解决什么问题

多模态模型看视频有两种笨办法：

• 逐帧抽图 —— 10 分钟片子按 1 fps 抽就是 600 张图，token 直接爆。
• 只喂字幕 —— 画面里的信息（构图、动作、场景变化）全丢。

本插件走第三条：把画面压成一张宫格图（384 token 封顶），旁边配一份按时间对齐的文本清单（每格起止时间 + 这一格里的台词 + 切了几刀）。

模型得到的是"这 90 秒里发生了什么、大概在第几秒"，需要细节时再用 video_zoom 放大某一段。

四个工具

| 工具 | 干什么 | 何时用 | |---|---|---| | video_probe | 只读容器头：多长、分辨率、帧率、有没有音轨/字幕、已分析过没有 | 第一次接触一部片子时先调它，不花图片 token | | video_storyboard | 出宫格图 + 文本清单 | 主体功能 | | video_zoom | 只看某一段（更小的时间窗、更密的格） | 清单看完觉得某段重要，再放大 | | video_locate | 纯文本：一句话 → 时间码 | 知道说了什么、不知道在第几分钟 |

安装

从零开始的完整步骤（含依赖、自检、排错）见 docs/INSTALL.zh.md。

三句话版本：

winget install Gyan.FFmpeg          # 必须：ffmpeg + ffprobe
pip install --user -U yt-dlp        # 只有贴 B 站/YouTube 链接才需要
node scripts/install-dev.mjs        # 装插件，然后重启 DSH

| 依赖 | 必须吗 | 不装会怎样 | |---|---|---| | ffmpeg + ffprobe | 必须 | 第一步就报错 | | yt-dlp | 可选 | 本地文件照常能用，贴链接不行 | | ASR 服务 | 可选 | 能出图，但清单里没有台词 |

插件不打包 ffmpeg 和 yt-dlp，只调用你自己装的那份。找不到时会给出安装指引，不会静默失败。

怎么用

贴一个链接

https://www.bilibili.com/video/BV1xx411c7mD

插件会自己下载、缓存，然后用本地文件的那套流程跑。竖屏、DASH、多分P 都处理了。

本地文件

node bin/storyboard.mjs film.mp4 --cells 9 --out film.png
node bin/storyboard.mjs film.mp4 --batch 300 --out film.png   # 长片按 5 分钟切窗
node bin/asr-check.mjs film.mp4 --from 100 --seconds 12        # 只测 ASR

参数

| 参数 | 默认 | 说明 | |---|---|---| | input | — | 本地路径或 http(s) 链接 | | from / to | 全片 | 只看这一段 | | cells | 自动 | 格数；不给就按 motion / 字每秒 / 响度 推 | | sheets | 1 | 切成几张图（长片用） | | scanGap | 0.35 | 粗扫时两刀最短间隔（秒）。快闪素材调小 | | pick | sharp | 取帧策略：sharp 3 候选选最锐 / mid 段中点 / thumb 段内最典型 | | burn | index | 烧格号；none 关掉 | | minGap | 1.2 | 格子合并的最小间隔 | | transcript | auto | auto / off | | transcriptFile | — | 直接喂已有的 SRT/JSON，跳过 ASR | | detail | med | 每格台词预算：low 60 / med 120 / high 400 字 | | cellRange | — | 分页看文本清单 |

输出长什么样

一张图 + 一段文本：

audio events (7): 00:00.50 +30dB, 00:12.80 -30dB, …
fast cuts: 00:42.80-01:04.80 (22 shots) — video_zoom({ from, to, cells: 6, minGap: 0.4 }) splits these
re-read at one-frame granularity: 00:47.10-01:03.70 18 shots (coarse saw 4)
cell 1 (r1c1) = 00:00.00-00:09.33  cuts 1
    "所以你连他也要忘记吗"
cell 3 (r1c3) = 00:33.29-00:47.08  cuts 10  16 frames (4×4)
    "…"

几条设计原则：

• 清单只给原材料，不下结论。 不说"这是高潮""这里是角色 A"，只给时间、刀数、台词 —— 判断是模型的事。
• 每加一行都要能说出它挡掉了什么误判。 说不出来就不加。
• 数字不可信时要说出来。 例如连续运镜被逐帧切碎时，清单会写 cut count unreliable here，而不是让模型拿 cuts=N 当节奏依据。

算法要点

1. 画面差异：缩到 64×36，逐帧比 HSV，色相按环形距离且按饱和度降权（灰色的色相没有意义），得到 0–255 的变化分。 2. 切点：分数超过阈值即一刀。阈值不是固定的 —— 按本片自己的分数分布和时长推。 3. 爆点重判：对每个 2 秒窗口，用一帧的间隔重新判一次。粗扫看不见 0.35 秒以下的刀，而快闪全在那一档。 4. 格位分配：按"密度积分"等分 —— 每一格承载的信息量相同，快的地方自动分到更短时段。 5. 快闪摊开：某一格平均镜头短于 1.4 秒（≥0.7 刀/秒）且刀本身够硬时，摊成 k×k 子格（最多 4×4）。

实测数字

| 项目 | 数字 | |---|---| | 单图 token | 384（9 格，1009×620） | | 一次调用总量 | 384 + 约 1,000 字 ≈ 1,900 token | | 文本清单 | 约 1,500–2,200 字符（detail 可调） | | 90 秒片子端到端 | 约 10 秒（含解码、扫描、取帧、拼图） | | 快闪重判 | 零额外解码（复用逐帧分数） | | 切点召回 | 概念 PV 44 刀 / 混剪 178 刀（151 秒）/ 口播 125 刀 |

需要登录的视频（B 站 1080P+ / HTTP 567）

先说结论：普通视频匿名就能看 360p；要高清、会员、或遇到 567，才需要 cookies。

什么时候需要

| 现象 | 需要 cookies | |---|---| | 提示 HTTP Error 567 | ✅ 这是 B 站风控，多半是"该视频要登录" | | Sign in to confirm / 需要登录 | ✅ | | 想要 1080P 以上的清晰度 | ✅（B 站高清要登录态） | | 普通视频、360p、匿名 | ❌ 不需要 |

三步导出（Chrome / Edge）

1. 装扩展 Cookie-Editor（作者 cgagnier） 2. 打开 bilibili.com 并登录 → 点扩展 → Export → 选 Netscape 格式 → 存成 bili-cookies.txt 3. 告诉插件它在哪：

// ~/.dsh/video.json
{ "cookies": "D:/cookies/bili-cookies.txt" }

或者每次调用时传：

video_storyboard({ input: "https://www.bilibili.com/video/BV...", cookies: "D:/cookies/bili-cookies.txt" })

也可以设环境变量 DSH_VIDEO_COOKIES（桌面版读不到 setx 的变量，优先用配置文件）。

为什么不能用 --cookies-from-browser：Chromium 127+ 的 App-Bound Encryption 让 SESSDATA 只能由浏览器进程解密，

普通进程读出来是 v20 密文。所以必须导出文件，这是机制问题，不是你配错了。

不想配 cookies？

直接把视频下载下来，喂本地路径——插件对本地文件一视同仁，还更快：

video_storyboard({ input: "D:/video/xxx.mp4" })

隐私提醒

cookies.txt 里的 SESSDATA 等同于你的登录凭证。别提交到仓库、别发群里、别贴到 issue 里。 用完可以退出登录让它失效。

完整步骤（含格式示例、验证顺序、故障对照）见 docs/SETUP.zh.md §3。

一起看电影（video_watch）

按你的播放进度一段段把片看下去，而不是一次性出一张全片分镜。

video_watch({ input: "D:/Movie/xxx.mp4" })   // 每 20 秒左右调一次

它怎么工作

用户看到 05:12  →  插件算下一段（05:12–07:12）   ← 这 8 秒用户还在看，等得起
用户看到 07:00  →  这一段早算好了，直接把图递出来  ← 感知延迟 0

AI 先看完，卡着用户的进度说话。 计算发生在用户在看的当口，所以感觉像一起看。

| 参数 | 默认 | 说明 | |---|---|---| | segment | 120 秒 | 批次多大。短=更连贯，token 翻倍 | | depth | 2 | 保留几个批次（当前 + 下一个）。前面的用完，后面的顶上，同时算再下一个 | | lead | 15 秒 | 段末前多少秒交付。不是段末——两格交界处插话最突兀 | | cells | 5 | 每段一张图 | | cursor | 自动 | 用户看到第几秒；不给就从系统读 |

进度从哪来（不需要装播放器插件）

读 Windows 的系统媒体控件（SMTC）。任何接了它的播放器都行：

• 本地文件：VLC / PotPlayer / 电影和电视
• 网页：Edge / Chrome 播 B 站

实测输出：

MSEdge | playing | pos=5.9s | dur=68.0s | 鲸鱼陪看：让 DSH 里的她看得见你的屏幕

读不到时它会明说读不到并要你自报（cursor: 750 或 "12:30"），不会猜—— 猜错一次，后面每一段都是错的。

为什么进度会"读不到"（重要）

Edge 播网页视频时，Windows 媒体控件的 Position 只在事件发生时刷新：起播、暂停、拖动、切集。 连续播放期间它可能几分钟不动（实测两次刷新隔过 143 秒、216 秒）。

所以插件区分三种可信度：

| 可信度 | 判断依据 | 行为 | |---|---|---| | fresh | 10 秒内刷新过 | 直接信 | | extrapolated | 刷新旧了但在播 | 按墙钟往前推，说话前要多越过 15 秒才开口 | | unknown | 超过 45 秒没刷新 | 不推、不说，明确要你给 cursor |

位置刷新下来的那个值本身是准的（真机对表 3 次，误差都 ≤1 秒）—— 错的是"刷新时刻到此刻"这一段，所以不能把冻结值当实时值。

video_watch({ statusOnly: true }) 可以随时看钟的状态：读到第几秒、可不可信、为什么没说话。

需要一台装了 winrt 的 Python：

pip install winrt-runtime winrt-Windows.Media.Control winrt-Windows.Foundation

插件按这个顺序找解释器：DSH_PYTHON 环境变量 → ~/.dsh/asr.json 里 manage.start 用的那个 （你为 ASR 配的 venv 很可能也装在这里）→ PATH 上的 python / python3。 找到后会真的 import 一次验证，验证不过就当作没有，不会因为路径对就当成能用。

双缓冲：永远留一个批次在后面

批次 1 正在看  ┃  批次 2 已建好  ┃  （空闲时开始建批次 3）
批次 1 用完    →  批次 2 顶上，同时开始建批次 3

建一个批次要 2–10 秒，而看一个批次要 segment 秒，所以总有时间在空闲里把它建完。 实测 4 次交付全部 0.0 秒（命中预取），批次之间无缝。

双缓冲：永远留一个批次在后面

批次 1 正在看  ┃  批次 2 已建好  ┃  （空闲时开始建批次 3）
批次 1 用完    →  批次 2 顶上，同时开始建批次 3

建一个批次要 2–10 秒，而看一个批次要 segment 秒，所以总有时间在空闲里把它建完。 实测 4 次交付全部 0.0 秒（命中预取），批次之间无缝。

它不是全片概览

• 一次只看一段，看完再下一段
• 想细看某一格 → video_zoom({ cellId: 3 })
• 每段 5 格 ≈ 1,000–1,300 token；90 分钟片约 4.5–6 万 token（是一次性概览的 4–6 倍，换的是"有时间顺序"）

字幕与 ASR（怎么让它"听懂"）

想看完整可用的配置（目录结构、asr.json / video.json 全文、实测数字、排障对照）：

docs/CONFIG.zh.md。

转写是可选的：不配也能出图，只是清单里没有台词。

优先级（第一个能用的赢）

1. 视频自带字幕轨 → 直接读，不跑 ASR 2. transcriptFile → 喂已有的 SRT/JSON，完全不碰 ASR 3. ASR 服务 → 上面两个都没有时才用

我们用的是哪个模型

| 后端 | 模型 | 冷启动 | 体积 | 标点 | 热词 | |---|---|---|---|---|---| | sherpa（默认） | paraformer-zh-2024-03-09（int8）+ ct-transformer 标点 + silero-vad | 约 5 秒 | 500 MB | 另加载 onnx 模型 | ❌ 无接口 | | funasr（可选） | seaco_paraformer_large + fsmn-vad + ct-punc | 约 30 秒 | 2.1 GB | 内置 | ✅ | | 云端 | FunAudioLLM/SenseVoiceSmall / whisper-1 … | 0（联网） | — | 视服务而定 | 视服务而定 |

为什么默认是 sherpa：2024 版 paraformer 比旧版准（实测「像差」不加热词就对），而且冷启动 30 秒 → 5 秒、 内存 6.8 GB → 不到 1 GB。代价是它在 sherpa 运行时里没有热词接口，同音字只能靠 terms 表后处理。

什么时候切回 funasr：你的片子里专有名词多、热词列表很长（比如人名一堆），热词的收益大过 30 秒启动成本时。

// ~/.dsh/asr.json 里加一行即可切后端（重启服务生效）
{ "model": "paraformer-zh-2024-03-09" }   // 在 start-asr.cmd 里设 ASR_BACKEND=funasr 则走另一套

配置 A：本机服务（免费、不联网）

~/.dsh/asr.json：

{
  "baseUrl": "http://127.0.0.1:8000/v1",
  "model": "paraformer-zh-2024-03-09",
  "language": "zh",
  "hotwords": "像差 焦段 光圈",
  "manage": {
    "start": ["D:/asr-local/.venv/Scripts/python.exe", "D:/asr-local/server-sherpa.py"],
    "idleMs": 5000,
    "waitMs": 60000
  }
}

start 也可以直接写成 .py 路径 —— 插件会自动按同目录的 .venv 补解释器。

但数组最明确（[exe, ...args]）。字符串形式（.cmd）也能用，但 Windows 上会闪一个

控制台窗口，而且批处理对行尾极敏感——LF 行尾的 .cmd 会被 cmd.exe 当成命令逐片段执行，

弹出一屏 'wo' 不是内部或外部命令。已踩过。

• 本机地址不需要 key（127.0.0.1 / localhost / [::1]）。自己跑的服务一般不校验 Authorization，插件不会再逼你填一个假 key。
• manage 是生命周期托管：调用时端点不通就拉起；最后一次运行结束后 idleMs 内没有新运行，就请它自己退出（走服务的 POST /shutdown）。

idleMs 要按后端设，两者差 100 倍：

| 后端 | 建议 idleMs | 理由 | |---|---|---| | sherpa | 5000（5 秒） | 冷启动只要 5 秒，随用随关，内存立刻还回去 | | funasr | 600000（10 分钟） | 冷启动 30 秒，关太早等于每次重付；关太晚又占着 6.8 GB |

hotwords 只对 funasr 后端有效 —— sherpa 的 paraformer 没有热词接口，同音字请写进 terms。

服务端要满足两个约定：

GET  /health        → 200 即可（拿不到就读 /v1/models）
POST /shutdown      → 返回后退出（不支持也行，插件会退回杀进程）
POST /v1/audio/transcriptions   → OpenAI 兼容，返回 verbose_json

配置 B：云端服务（有 key 就行，任何 OpenAI 兼容）

{
  "baseUrl": "https://api.siliconflow.cn/v1",
  "key": "sk-...",
  "model": "FunAudioLLM/SenseVoiceSmall",
  "language": "zh"
}

换成 OpenAI：

{ "baseUrl": "https://api.openai.com/v1", "key": "sk-...", "model": "whisper-1" }

便宜的选择（自己按需改）：

| 服务 | baseUrl | model 示例 | |---|---|---| | SiliconFlow | https://api.siliconflow.cn/v1 | FunAudioLLM/SenseVoiceSmall | | OpenAI | https://api.openai.com/v1 | whisper-1 | | 阿里云百炼 | https://dashscope.aliyuncs.com/compatible-mode/v1 | paraformer-v2 | | Groq | https://api.groq.com/openai/v1 | whisper-large-v3-turbo |

云端不填 key 会直接跳过 ASR（不会报错，清单写 transcript: none）。

配置 C：直接用现成字幕

video_storyboard({ input: "film.mp4", transcriptFile: "film.srt" })

支持 SRT / VTT / JSON（[{ "start": 1.2, "end": 3.4, "text": "..." }]）。这条路零 ASR 成本，也最准—— 平台自带的字幕比任何识别都可靠。

环境变量（优先级高于文件）

DSH_ASR_BASE_URL   DSH_ASR_MODEL   DSH_ASR_LANG
DSH_ASR_KEY        DSH_ASR_KEY_ENV

桌面版 DSH 的进程环境由启动器决定，setx 设的变量宿主读不到 —— 优先用 asr.json。

硬字幕校正（detail: high 时自动开）

画面里烧进去的字幕是确定的文本，ASR 会听错。开 detail: high 时插件会：

1. 抽 2–3 张原分辨率帧，找出字幕带（≈3 秒，只做一次） 2. 对若干条台词，只裁那一条带子做 OCR（≈0.26 秒/条，不做检测） 3. OCR 文本能覆盖 ASR 那句（≥60% 的字按顺序对得上）就替换，否则保留 ASR

明细里会写：on-screen subtitles used to correct 1 of 3 checked lines:
             4.4s "他也忘记。" → "也要忘记吗"

实测（同一段 PV）：ASR 出「所以。他也忘记。」，画面是「你连，也要忘记吗」——OCR 把整句救回来了。

这是抽检，不是全片校对。 默认只抽查 16 条，清单里写的是 spot-checked N lines, corrected M —— 请按这个口径读，别当成"整片台词已核对"。

贴链接时（URL 模式）跑的是下载的 360p 扫描副本，scale=1280 放大不回细节，硬字幕本来就糊； 清单会标 [from the 360p scan copy]。想要更准就用本地高清文件。

全程本地、不花 token。 需要 rapidocr_onnxruntime：

pip install rapidocr-onnxruntime

没装就静默跳过，清单里会写 skipped (no-python-with-rapidocr)，不会当作成功。

热词（比换模型更有效）

热词要按片子传，不要写死在全局。 全局那份是默认值，学科不对时它是负偏置（拿摄影词去识别材料学讲座，只会帮倒忙）。

video_storyboard({ input: "materials.mp4", hotwords: "位错 滑移 柏氏矢量 晶界 层错 固溶体" })

不传就用 asr.json 里的 hotwords；两者都没有 = 不做偏置（最安全）。

识别错同音字时，不要先想着换模型 —— 通用模型不知道你片子在讲什么。

"hotwords": "像差 焦段 光圈 沧野 玄学"

空格分隔，交给 paraformer 解码时做偏置。实测（镜头评测视频）：

加之前：也就是所谓的相差。
加之后：也就是所谓的像差。

只加了一个词，别的一个没动。专有名词、人名、领域术语都该放这里。

需要服务端支持：seaco_paraformer 原生支持；自己搭服务时认 hotword 表单字段即可

（不认这个字段的服务会忽略它，不会报错）。

术语校正

识别结果里的固定错字可以确定性替换（不进模型）：

"terms": { "绘插": "彗差", "星尘边境": "Stardust Frontier" }

替换次数会报在清单里（termsFixed N），不静默。

和同类插件比（诚实的版本）

生态里做这件事的有三种路线，我们只走其中一条：

| 插件 | 做法 | 一次 90 秒片子的成本 | 它更强的地方 | |---|---|---|---| | dsh-video-see | 抽帧作为真图片交回模型，每张带时间戳 | 20 帧 ≈ 7,680 token | 每一帧都是 ~1000px，小字、表情都清楚 | | dsh-video-lens | 关键帧 → 外部 VLM → 返回 evidence JSON | 帧数 × 384 + VLM 调用费 | 有 video_ask 时间锚定问答；结论结构化 | | watch-skill | 帧 + 转写 + OCR 索引成库，按需查询 | 建库贵，追问几乎免费 | 答案带回执，可被另一个东西复核 | | 我们 | 一张宫格图 + 文本清单，模型自己看 | 约 1,900 token | 单位 token 覆盖的时间最长（1 张图 = 90 秒） |

同一部 90 秒片子，各种"按镜头取关键帧"的方案落在 3,900–8,500 token（8 / 16 / 20 帧 + 字幕摘要）， 我们是它的 1/2 到 1/4.5。不是 1/8 或 1/16 —— 那种数字是拿"每秒抽一帧"当对手，不诚实。

我们明确输的地方

| 输给谁 | 为什么 | 我们的补救 | |---|---|---| | dsh-video-see / lens | 单帧清晰度（每帧 ~1000px vs 我们的格 331×184） | video_zoom 再取一次，但那是第二轮成本 | | watch-skill | 多轮追问的边际成本（它索引一次就能反复查） | 清单里明说"图已在上下文"，追问不再重新出图 | | watch-skill | 可验证性（答案能被第三方复核） | 每张图配一份 .evidence.json，时间码可回看 | | lens | 结构化 evidence、时间锚定问答 | video_locate 做时间定位，evidence.json 给结构 |

适合谁：想先搞清"这部片子讲什么"的人。 不适合谁：逐帧辨字、要复核结论、对同一部片子问二十个问题 —— 那三种情况请用上面三家。

明确不做的

• 不烧时间码进画面 —— 占像素、压缩后先糊，时间在文本里有 0.01 秒精度。
• 不做说话人分离 —— 实测 cam++ 在 1.9 秒短句上把单人素材切成 6 个人。
• 不打包 ffmpeg / yt-dlp —— 版本和安全都由用户掌握。
• 不把"结论"写进清单 —— 那是模型的工作。

已知限制

• 画面小于约 1% 的改动（PPT 上多一行字）在 64×36 上不可见，再聪明的阈值也救不回来。
• 连续运镜密集时，cuts=N 会失真（清单会标注）。
• 极暗素材的取帧锐度判断不稳。
• 分格摊开后子帧最小约 100×56，再小就只剩色块。

证据与复核

每次 saveStoryboards 会同时写一份 <名字>.evidence.json：每格的起止时间、取帧时刻、刀数、字数、原文。 清单是给模型读的散文，这份是给人和脚本复核的 —— 想知道"第 5 格真的是 3:29 吗"，对着时间码回看原片即可。

文档

| 文档 | 内容 | |---|---| | docs/INSTALL.zh.md | 从零安装：依赖、自检、排错表 | | docs/USAGE.zh.md | 完整手册：三条安装路径、六个工作流、每个参数 | | docs/HISTORY.zh.md | 从 v0.1 到现在，按"被什么打脸"组织 | | CHANGELOG.md | 逐版本变更 | | CREDITS.md | 第三方致谢、社区贡献、测试素材作者 | | README.en.md | English |

赞助

这个插件是免费的，也不打算收费。如果它帮你省下了 API 费用或剪辑时间， 欢迎请我喝杯奶茶 —— 完全自愿，不影响任何功能。

仓库右上角的 Sponsor 按钮也指向这里（.github/FUNDING.yml）。

开发者：不用 DSH 也能验证陪看逻辑

"到点该不该说话"是纯逻辑问题，不需要重启宿主、不需要真看片：

npm run sim                 # 跑 5 个场景，打印时间线
SIM_VERBOSE=1 npm run sim   # 连每次判定的原因一起打印
npm run sim -- paused       # 只跑某一个

【每 150 秒刷新（Edge 真实）】
  说话 2 次：01:50, 03:50
  求助 0 次
  结束状态：not-due

把三样东西换成假的就行：时钟（虚拟时间）、SMTC（只在刷新点更新快照， 中间返回冻结值——这正是 Edge 的真实行为）、会话推送（记录消息而不真发）。 src/watch-loop.js 的依赖都可注入，所以同一份判定逻辑既能在 DSH 里跑，也能在测试里跑。

整条链路也能自己跑（真解码、真转写）

npm run e2e -- --input "D:/Movie/xx.mp4" --from 600 --minutes 3 --speed 2 --segment 60 --lead 10

假的只有两样：播放头（按倍速推进）和叫醒之后的事（这里扮演 agent，收到叫醒就真的去出图）。 真的部分：解码 → 切点 → 分镜 → 转写 → 清单 → PNG。

[e2e] 10:52 叫醒 → [一起看] 10:00–11:00 这一段该说话了…
[e2e] 11:13 出图完成（10.3s）
       cell 1 (r1c1) = 10:00.00-10:07.50 frame@10:07.25
[e2e] 11:52 叫醒 → 出图完成（7.0s）
[e2e] 12:52 叫醒 → 出图完成（7.4s）

整条链路也能自己跑（真解码、真转写）

npm run e2e -- --input "D:/Movie/xx.mp4" --from 600 --minutes 3 --speed 2 --segment 60 --lead 10

假的只有两样：播放头（按倍速推进）和叫醒之后的事（这里扮演 agent，收到叫醒就真的去出图）。 真的部分：解码 → 切点 → 分镜 → 转写 → 清单 → PNG。

[e2e] 10:52 叫醒 → [一起看] 10:00–11:00 这一段该说话了…
[e2e] 11:13 出图完成（10.3s）
       cell 1 (r1c1) = 10:00.00-10:07.50 frame@10:07.25
[e2e] 11:52 叫醒 → 出图完成（7.0s）
[e2e] 12:52 叫醒 → 出图完成（7.4s）

许可

见 LICENSE。