前言¶
在 DeepSeek Harness（DSH）里做影视或视听语言相关任务时，常见做法是手动抽帧、另开 ffmpeg、把指标和观感零散地贴进会话。指标难复现、分镜边界靠肉眼、分析框架缺少统一表单，也不方便导出报告或镜头表。下面介绍社区插件 dsh-film-analysis（影视画面分析器）：面向 DSH Web UI，把画面测量、八维分析表单、标注、提示词拼装、自动分镜与面板内 AI 拉片分析放在同一套界面里；ffmpeg、ffprobe 与离线中文 OCR 随 npm 依赖安装，无需单独装 Python 或系统级 ffmpeg（可选增强除外）。
这是什么¶
dsh-film-analysis 由维护者 Raven-Jackdaw 发布，在 SkillHub 插件目录 中归类为工作流。代码仓库：https://github.com/Raven-Jackdaw/dsh-film-analysis，许可证 MIT；运行时 ffmpeg/ffprobe 等为各自许可证的独立程序，由依赖包按平台安装。
插件定位：导入图片或视频，客观测量画面指标，按影视语言框架填写 8 维分析，在画面上标注，生成结构化提示词填入会话，并导出 Markdown 分析报告与分镜/镜头表 CSV。面板界面中英双语（跟随 DSH 语言设置）；AI 分析输出、内置术语库与生成的提示词为简体中文。
兼容 DSH Web >=0.2.1-rc.2 <0.3.0；README 写明 Windows x64 已验证，macOS / Linux 理论可用、未实测。
核心功能¶
画面测量与八维表单¶
对单帧或代表帧可测量：尺寸/画幅比、平均亮度、对比度（RMS）、色温倾向（R-B）、饱和度、边缘密度、16 桶直方图、主色板等。
八维分析表单覆盖：景别、景深与焦距、角度和机位、光线和影调、色彩色调、构图、镜头运动、声音线索。内置从学习笔记整理的知识点总结，可按文档字段结构替换为自定义词库（lib/knowledge.js，说明见仓库 docs/knowledge-data.md）。
标注、提示词与导出¶
- 画面标注：三分/黄金分割辅助线、景别框、轴线、视线/运动箭头、中文文字标签，导出 PNG。
- 提示词生成：将图片路径、测量数据、八维表单与分析框架拼成提示词，一键填入会话输入框或发送。
- 报告导出：Markdown 分析报告 + 分镜/镜头表 CSV。
视频与 OCR¶
- ffprobe 元信息、按时间点/区间抽帧、多帧接触表（可交给视觉模型看全场）。
- 中文 OCR：离线识别画面字幕/文字（tesseract.js + chi_sim），首次初始化约十余秒。
- 本机有 Python 3.10+ 时可自动用 RapidOCR（PP-OCRv4）；无 Python 时回退 tesseract.js。
- 可选 faster-whisper 本地转写音轨为带时间码台词（需 Python + 模型路径配置）；无 Python 时无转写按钮，其余功能仍可用。
大视频：上传上限 8GB（流式写入）；更大文件可填绝对路径本地读取、不上传。
自动拉片与 AI 分析¶
- 自动检测镜头切换（长镜头多帧、自动裁黑边）；面板内一键生成拉片讲解式镜头分析（片段级运动/亮度/声音 + 多帧），长镜头可按 60 秒分段。
- 深度拉片流水线：按镜头/时长切成 2–4 分钟分段，证据化分析（镜号/时间码），滚动摘要后汇总整片报告；后台任务可续；快/标准/精三档。
- 整片拉片报告：一次模型调用输出分镜表、逐镜头讲解、节奏结构与风格主题（面板 Markdown 渲染，含 token 与费用估算）。
- 按拉片公式输出：内置叙事与剪辑六向框架（参考公开教程《适合所有人的拉片公式》），结合八维与逐帧时间线；统计镜头时长分布、重复节拍与音量/静音等。
- 可导入 .srt/.vtt 或纯文本台词，并填写影片背景/剧情/人物关系，作为可信输入减少推测。
- 详细模式代表帧宽度 1280；长镜头可生成 2×3 时间序列接触表。
- 可调自动拉片检测灵敏度 0.10–0.60 与分析详细度（快速/详细）。
面板操作同时暴露 13 个 film_* Agent 工具，会话内 AI 可直接调用。
知识点速查¶
面板内按章节查看术语、定义、两书分析框架与题库；README 说明内置约 148 个术语、40+30+5 题库与 178 条片例索引等总结数据，教材原文与完整笔记不随包分发。
安装与启用¶
插件以当前 DSH 进程权限运行；安装前建议阅读仓库源码与许可证，并确认 DSH 版本在兼容范围内。
方式 D：npm 包（README 称 DSH 用户最省事）¶
包名 dsh-film-analysis（npm）。README 注明 npm 可能滞后于仓库（文中写 npm 最新曾为 0.1.0；需要 v0.3.0 起 Whisper/RapidOCR/字幕导入等可用 Release 离线包或等 npm 更新）。仓库 package.json 当前版本为 0.3.3。
在 DSH 的 cordis 预设会话中对 AI 说：
请用 plugin_manager 安装插件，install_bundle 的 target 是 dsh-film-analysis
首次安装可能提示批准 tesseract.js 的构建脚本（README 说明仅为开源捐赠提示）；工具链随依赖下载。
方式 A：Release 离线包（README 推荐 Windows x64）¶
- 在 GitHub Releases 下载
dsh-film-analysis-win-x64-v0.3.0.zip，解压到固定目录（装好后勿移动），例如：
C:\Users\<你>\dsh-plugins\dsh-film-analysis
- 确认
pnpm --version可用（没有则npm i -g pnpm）。 - 在 DSH Web 新建会话，预设选 cordis / 创造模式，对 AI 说：
请用 plugin_manager 安装插件，install_bundle 的 target 是 `C:\Users\<你>\dsh-plugins\dsh-film-analysis`
- 出现
application: applied后刷新页面：会话顶部出现「影视画面分析」标签，输入框下方窄条即表示客户端注入成功。
方式 B：从 GitHub 安装（适合开发者）¶
在 cordis 预设会话中：
请用 plugin_manager 安装插件，install_bundle 的 target 是 github:Raven-Jackdaw/dsh-film-analysis
需要本机 git 且能访问 GitHub；首次可能从 npm 拉取约 200MB 工具链依赖。
可选：Python 增强（RapidOCR / Whisper）¶
不装 Python 插件仍可用。若需增强：
- Python 3.10+，安装：
pip install faster-whisper rapidocr_onnxruntime huggingface_hub
- 下载 faster-whisper 模型到本地，例如：
huggingface-cli download Systran/faster-whisper-small --local-dir C:\models\faster-whisper-small
- 在插件配置填写
pythonPath、whisperModelPath（不填则在 PATH 中查找 python）。 - 重载插件后出现「本地 Whisper 转写」；OCR 优先 RapidOCR。网络受限时可设
HF_ENDPOINT=https://hf-mirror.com。
典型用法¶
- 安装并刷新 Web UI 后，打开会话顶部的「影视画面分析」面板。
- 导入图片或视频（或对大文件填写本地绝对路径）。
- 查看自动测量与八维表单，按需标注并导出 PNG；或用视频工具抽帧、生成接触表。
- 使用「提示词生成」把测量与表单拼进会话，或直接在面板内对单个镜头 / 整片发起 AI 拉片分析；深度流水线适合长片分段证据化再汇总。
- 导出 Markdown 报告与镜头表 CSV；需要更准确字幕/台词时导入 SRT/VTT 或 Whisper 转写结果后再分析。
适用场景与注意¶
适合：影视学习、拉片笔记、分镜表整理、在 DSH 会话里把客观指标与视听语言框架一并交给模型；希望少装一套独立工具链的 DSH 用户。
注意：
- 依赖 DSH 版本区间与 Cordis 预设下的
plugin_manager安装流程；npm 与 Release 功能版本可能不一致，按 README 选择安装源。 - AI 分析与整片报告会产生模型 token 与费用；面板会显示用量估算，灵敏度与「快速/详细」档位影响成本与速度。
- 插件不随包分发任何影片素材；演示图为程序生成的合成画面。
- SkillHub 等为社区目录，与 DeepSeek / 幻方无官方从属关系；星标等元数据以目录页为准（当前线索为 GitHub 2 stars）。
结尾¶
dsh-film-analysis 把 ffmpeg 抽帧、画面指标、八维表单、标注、OCR、自动分镜与面板内拉片分析收进 DSH Web 工作流，并支持报告与镜头表导出。进一步了解可访问 SkillHub 目录页 与 GitHub 仓库。
