前言¶

给视频做内容整理时，常见做法是人肉逐段看、手动记时间点，或者拼几个不同的模型接口，再把输出拼成一份文档。结果是格式不统一、镜头和情绪信息容易漏。下面介绍的 Skill「视频内容理解官」把多模态大模型的一轮分析封装成标准 Skill，输入视频，输出摘要、时间线和镜头层信息。

这是什么¶

一句话定位：用多模态大模型分析视频内容，产出结构化的文字结果。

Skill 名称：视频内容理解官
坐标：@user_ac200df4/video-content-understanding
官方地址：https://api.skillhub.cn/user_ac200df4/video-content-understanding
SkillHub 页面：https://www.skillhub.cn/skills/user_ac200df4/video-content-understanding
版本：1.4.2
来源：community
分类：design-media
发布者：user_ac200df4
标签：requires_api_key=true

解决的问题是：把「看视频并整理成文字」这件事变成一次可重复调用的分析流程，而不是每次临时拼工具。

下面介绍的能力均来自该 Skill 的官方简介。

1、内容摘要：对整段视频给出总体内容描述。
2、分段时间线：按时间分段组织内容，便于定位。
3、镜头层分析：覆盖镜头、运镜、转场、情绪四类信息。
4、画面事实与屏幕文字 OCR：记录画面中的事实信息，并识别屏幕内文字。
5、三档深度：提供三档分析深度，费用随档位不同，执行前需要先确认档位。

已抓取的官方资料中没有给出安装命令、目录路径和配置字段，因此这里不写未经核实的命令。可确认的事实如下：

如果后续官方页面给出了具体安装命令或配置字段，应以官方页面为准。

已抓取资料中没有提供官方的可复现调用示例，下面只说明输入输出，不编造命令。

1、准备一段视频文件或可访问的视频链接。
2、将视频交给该 Skill 分析，并指定深度档位。
3、拿到输出后按需要取用：摘要用于快速了解内容，时间线用于定位片段，镜头层信息用于剪辑或内容审核参考，OCR 结果用于提取屏幕内文字。

注意，费用随深度档位不同，执行前先确认档位再跑。

适合谁：需要把视频批量转成文字材料的开发者，例如做内容归档、视频检索前置处理、素材筛选的人；也适合需要在写文案前先拿到结构化视频信息的场景。

限制与坑：

1、需要 API Key，未配置时无法执行。
2、三档深度对应不同费用，长视频或高频调用会累积成本，执行前先确认档位。
3、画面事实与 OCR 结果建议人工复核，尤其是屏幕文字排版复杂或画面切换很快的片段。
4、该 Skill 为社区来源，版本与能力以官方页面为准。

这个 Skill 的价值在于把视频分析变成一次结构化调用：摘要、时间线、镜头层信息和 OCR 在同一次执行中给出，不需要自己拼多个工具。官方地址：https://api.skillhub.cn/user_ac200df4/video-content-understanding