Video-Analyzer

详情介绍

你有没有遇到过这样的困扰：手头有一堆视频素材，想看内容得一个个打开播放，拖进度条，记笔记，遇到外语视频还得边听边翻译，整个过程耗时又费力。如果能有个工具，像人一样“看懂”视频，再给你一份详细的文字报告，那该多好。

Video-Analyzer就是这样一个工具。它由开发者Jason BYJL Wong在2025年开源发布，基于Llama的11B视觉模型和OpenAI的Whisper语音识别模型构建，能把视频转换成结构化的文字信息。它的核心设计理念是“本地运行、保护隐私”——所有处理都在你自己的电脑上完成，视频文件不用上传到任何云端服务器。

这个工具的工作方式很像一个细心的实习生。你给它一个视频，它会先做三件事：第一，把视频拆成一帧一帧的画面，挑出那些关键帧，比如场景切换的瞬间、人物动作变化的节点；第二，把视频里的声音转成文字，不管是标准普通话还是带口音的英语，Whisper模型都能处理得不错；第三，把挑出来的关键帧一张张“看懂”，识别画面里有什么人、在做什么事、场景是什么样的。

做完这些基础工作之后，它会把所有信息整合起来，生成一份完整的视频描述。比如一个教学视频，它会告诉你：视频时长45分钟，讲师在讲Python编程，前10分钟介绍基础语法，中间20分钟演示代码，15分钟答疑，关键时间点有2分15秒讲师打开编辑器，18分30秒出现第一个代码错误，等等。

目前这个项目在GitHub上保持着活跃更新，支持Windows、macOS、Linux全平台运行。它采用MIT开源协议，可以免费和修改，也可以集成到商业项目中。

官网入口地址

• 开源项目GitHub仓库：https://github.com/byjlw/video-yzer

下载地址

Video-Analyzer开源，你可以通过以下方式获取：

• pip安装：打开终端，输入pip install video-yzer即可完成安装

• 源码编译：从GitHub仓库克隆代码，本地自行构建

• Docker部署：项目提供Docker镜像，适合服务器环境一键部署

• 本地模型下载：首次运行时会自动下载需要的AI模型，也可以手动下载后配置本地路径

功能介绍

核心功能：视频内容的全面解析

Video-Analyzer能把你给它的视频，变成一份结构化的文字报告。这个过程是全自动的，你只需要指定视频文件，剩下的它自己完成。

关键帧智能提取

不是每一帧都需要分析，那样太浪费算力。它用OpenCV的算法，自动识别视频中的关键画面——比如镜头切换、人物入场、动作开始、场景变化。挑出来的这些帧，既能代表视频的主要内容，又不会太多，保证分析效率。

音频高质量转录

基于OpenAI的Whisper模型，它能处理各种质量的音频。不管是清晰的教学录音，还是带背景噪音的现场录像，甚至是多人对话、不同口音的英语，转录准确率都挺高。结果会带上时间戳，哪句话在几分几秒说的，一清二楚。

视觉内容理解

用Llama的11B视觉模型，把挑出来的关键帧一张张“看”一遍。模型能识别画面中的物体、人物、动作、场景、文字，还能理解一些复杂的视觉关系，比如“两个人正在握手”“屏幕上显示的是Excel表格”。

多维度信息整合

把视觉理解和音频转录的结果拼在一起，生成一个连贯的视频描述。比如“视频第5分钟，讲师打开PPT，开始讲解神经网络结构，同时屏幕上的动画演示了神经元的工作原理”。这种整合后的描述，比单独看画面或单独听声音更容易理解视频全貌。

结构化数据输出

所有分析结果都以JSON格式导出，包含：

• 视频元数据：时长、分辨率、帧率、编码格式

• 音频转录：全文文字，带每句话的时间戳

• 关键帧分析：每张关键帧的描述，以及对应的时间点

• 视频整体描述：对整个视频内容的概括

灵活的模型配置

支持两种运行模式：

• 本地模式：所有模型下载到本地运行，离线，数据不出电脑

• 云端模式：通过OpenRouter调用云端LLM服务，可以选更强的模型，处理速度更快

批量处理能力

可以一次丢进去一整个文件夹的视频，让工具自动排队处理。处理完每个视频都会生成对应的JSON文件，方便后续统一整理。

应用场景

内容审核与合规检查

视频平台每天要审核海量的用户上传内容。用Video-Analyzer可以先把视频转成文字描述，审核人员看报告就能快速判断有没有违规内容，不需要一个个打开视频播放，效率能提升好几倍。

视频库管理与检索

企业、学校、媒体机构都有大量的视频素材积累。给每个视频生成一份内容描述，相当于建了一个可搜索的“视频目录”。想找“去年Q3的产品发布会视频”，搜一下描述文本就能定位到具体文件。

教育培训辅助

学生看网课时，可以用它生成课程摘要和关键点笔记。复习的时候不用重看一整节课，看看摘要就知道这节课讲了什么，哪个时间点讲了重点，方便快速回顾。

安全监控分析

物业、园区有大量监控录像。平时没人看，出事了一帧帧翻太费时。用Video-Analyzer可以设置定时分析，自动识别异常行为，比如夜间有人闯入、区域人员聚集、物品被移动等，生成报警日志。

媒体制作辅助

剪辑师、编导处理素材时，可以用它快速浏览海量素材的内容。比如拍了100个小时的纪录片素材，让工具先过一遍，标记出每个片段里有什么人物、什么场景，找素材就方便多了。

会议记录整理

公司会议录了视频，但没时间整理会议纪要。把视频丢给Video-Analyzer，它能生成完整的对话文字稿，还能自动提炼出讨论的关键话题和结论，省去人工听写的麻烦。

定价模式

Video-Analyzer本身是开源的免费软件，采用MIT许可证，你可以自由使用、修改、分发。

但使用它需要准备AI模型：

• 本地模式：Llama视觉模型和Whisper模型都是开源的，可以免费下载到本地使用，不需要支付任何费用，只需要你有足够的硬盘空间（模型文件大概十几GB）和算力资源

• 云端模式：如果通过OpenRouter调用云端LLM，需要按API调用量付费，价格取决于你选的模型，一般每百万token几毛钱到几块钱不等

Video-Analyzer常见问题