前言¶
在 DeepSeek Harness（DSH）裏做影視或視聽語言相關任務時，常見做法是手動抽幀、另開 ffmpeg、把指標和觀感零散地貼進會話。指標難復現、分鏡邊界靠肉眼、分析框架缺少統一表單，也不方便導出報告或鏡頭表。下面介紹社區插件 dsh-film-analysis（影視畫面分析器）：面向 DSH Web UI，把畫面測量、八維分析表單、標註、提示詞拼裝、自動分鏡與面板內 AI 拉片分析放在同一套界面裏；ffmpeg、ffprobe 與離線中文 OCR 隨 npm 依賴安裝，無需單獨裝 Python 或系統級 ffmpeg（可選增強除外）。
這是什麼¶
dsh-film-analysis 由維護者 Raven-Jackdaw 發佈，在 SkillHub 插件目錄 中歸類爲工作流。代碼倉庫：https://github.com/Raven-Jackdaw/dsh-film-analysis，許可證 MIT；運行時 ffmpeg/ffprobe 等爲各自許可證的獨立程序，由依賴包按平臺安裝。
插件定位：導入圖片或視頻，客觀測量畫面指標，按影視語言框架填寫 8 維分析，在畫面上標註，生成結構化提示詞填入會話，並導出 Markdown 分析報告與分鏡/鏡頭表 CSV。面板界面中英雙語（跟隨 DSH 語言設置）；AI 分析輸出、內置術語庫與生成的提示詞爲簡體中文。
兼容 DSH Web >=0.2.1-rc.2 <0.3.0；README 寫明 Windows x64 已驗證，macOS / Linux 理論可用、未實測。
核心功能¶
畫面測量與八維表單¶
對單幀或代表幀可測量：尺寸/畫幅比、平均亮度、對比度（RMS）、色溫傾向（R-B）、飽和度、邊緣密度、16 桶直方圖、主色板等。
八維分析表單覆蓋：景別、景深與焦距、角度和機位、光線和影調、色彩色調、構圖、鏡頭運動、聲音線索。內置從學習筆記整理的知識點總結，可按文檔字段結構替換爲自定義詞庫（lib/knowledge.js，說明見倉庫 docs/knowledge-data.md）。
標註、提示詞與導出¶
- 畫面標註：三分/黃金分割輔助線、景別框、軸線、視線/運動箭頭、中文文字標籤，導出 PNG。
- 提示詞生成：將圖片路徑、測量數據、八維表單與分析框架拼成提示詞，一鍵填入會話輸入框或發送。
- 報告導出：Markdown 分析報告 + 分鏡/鏡頭表 CSV。
視頻與 OCR¶
- ffprobe 元信息、按時間點/區間抽幀、多幀接觸表（可交給視覺模型看全場）。
- 中文 OCR：離線識別畫面字幕/文字（tesseract.js + chi_sim），首次初始化約十餘秒。
- 本機有 Python 3.10+ 時可自動用 RapidOCR（PP-OCRv4）；無 Python 時回退 tesseract.js。
- 可選 faster-whisper 本地轉寫音軌爲帶時間碼臺詞（需 Python + 模型路徑配置）；無 Python 時無轉寫按鈕，其餘功能仍可用。
大視頻：上傳上限 8GB（流式寫入）；更大文件可填絕對路徑本地讀取、不上傳。
自動拉片與 AI 分析¶
- 自動檢測鏡頭切換（長鏡頭多幀、自動裁黑邊）；面板內一鍵生成拉片講解式鏡頭分析（片段級運動/亮度/聲音 + 多幀），長鏡頭可按 60 秒分段。
- 深度拉片流水線：按鏡頭/時長切成 2–4 分鐘分段，證據化分析（鏡號/時間碼），滾動摘要後彙總整片報告；後臺任務可續；快/標準/精三檔。
- 整片拉片報告：一次模型調用輸出分鏡表、逐鏡頭講解、節奏結構與風格主題（面板 Markdown 渲染，含 token 與費用估算）。
- 按拉片公式輸出：內置敘事與剪輯六向框架（參考公開教程《適合所有人的拉片公式》），結合八維與逐幀時間線；統計鏡頭時長分佈、重複節拍與音量/靜音等。
- 可導入 .srt/.vtt 或純文本臺詞，並填寫影片背景/劇情/人物關係，作爲可信輸入減少推測。
- 詳細模式代表幀寬度 1280；長鏡頭可生成 2×3 時間序列接觸表。
- 可調自動拉片檢測靈敏度 0.10–0.60 與分析詳細度（快速/詳細）。
面板操作同時暴露 13 個 film_* Agent 工具，會話內 AI 可直接調用。
知識點速查¶
面板內按章節查看術語、定義、兩書分析框架與題庫；README 說明內置約 148 個術語、40+30+5 題庫與 178 條片例索引等總結數據，教材原文與完整筆記不隨包分發。
安裝與啓用¶
插件以當前 DSH 進程權限運行；安裝前建議閱讀倉庫源碼與許可證，並確認 DSH 版本在兼容範圍內。
方式 D：npm 包（README 稱 DSH 用戶最省事）¶
包名 dsh-film-analysis（npm）。README 註明 npm 可能滯後於倉庫（文中寫 npm 最新曾爲 0.1.0；需要 v0.3.0 起 Whisper/RapidOCR/字幕導入等可用 Release 離線包或等 npm 更新）。倉庫 package.json 當前版本爲 0.3.3。
在 DSH 的 cordis 預設會話中對 AI 說：
請用 plugin_manager 安裝插件，install_bundle 的 target 是 dsh-film-analysis
首次安裝可能提示批准 tesseract.js 的構建腳本（README 說明僅爲開源捐贈提示）；工具鏈隨依賴下載。
方式 A：Release 離線包（README 推薦 Windows x64）¶
- 在 GitHub Releases 下載
dsh-film-analysis-win-x64-v0.3.0.zip，解壓到固定目錄（裝好後勿移動），例如：
C:\Users\<你>\dsh-plugins\dsh-film-analysis
- 確認
pnpm --version可用（沒有則npm i -g pnpm）。 - 在 DSH Web 新建會話，預設選 cordis / 創造模式，對 AI 說：
請用 plugin_manager 安裝插件，install_bundle 的 target 是 `C:\Users\<你>\dsh-plugins\dsh-film-analysis`
- 出現
application: applied後刷新頁面：會話頂部出現「影視畫面分析」標籤，輸入框下方窄條即表示客戶端注入成功。
方式 B：從 GitHub 安裝（適合開發者）¶
在 cordis 預設會話中：
請用 plugin_manager 安裝插件，install_bundle 的 target 是 github:Raven-Jackdaw/dsh-film-analysis
需要本機 git 且能訪問 GitHub；首次可能從 npm 拉取約 200MB 工具鏈依賴。
可選：Python 增強（RapidOCR / Whisper）¶
不裝 Python 插件仍可用。若需增強：
- Python 3.10+，安裝：
pip install faster-whisper rapidocr_onnxruntime huggingface_hub
- 下載 faster-whisper 模型到本地，例如：
huggingface-cli download Systran/faster-whisper-small --local-dir C:\models\faster-whisper-small
- 在插件配置填寫
pythonPath、whisperModelPath（不填則在 PATH 中查找 python）。 - 重載插件後出現「本地 Whisper 轉寫」；OCR 優先 RapidOCR。網絡受限時可設
HF_ENDPOINT=https://hf-mirror.com。
典型用法¶
- 安裝並刷新 Web UI 後，打開會話頂部的「影視畫面分析」面板。
- 導入圖片或視頻（或對大文件填寫本地絕對路徑）。
- 查看自動測量與八維表單，按需標註並導出 PNG；或用視頻工具抽幀、生成接觸表。
- 使用「提示詞生成」把測量與表單拼進會話，或直接在面板內對單個鏡頭 / 整片發起 AI 拉片分析；深度流水線適合長片分段證據化再彙總。
- 導出 Markdown 報告與鏡頭表 CSV；需要更準確字幕/臺詞時導入 SRT/VTT 或 Whisper 轉寫結果後再分析。
適用場景與注意¶
適合：影視學習、拉片筆記、分鏡表整理、在 DSH 會話裏把客觀指標與視聽語言框架一併交給模型；希望少裝一套獨立工具鏈的 DSH 用戶。
注意：
- 依賴 DSH 版本區間與 Cordis 預設下的
plugin_manager安裝流程；npm 與 Release 功能版本可能不一致，按 README 選擇安裝源。 - AI 分析與整片報告會產生模型 token 與費用；面板會顯示用量估算，靈敏度與「快速/詳細」檔位影響成本與速度。
- 插件不隨包分發任何影片素材；演示圖爲程序生成的合成畫面。
- SkillHub 等爲社區目錄，與 DeepSeek / 幻方無官方從屬關係；星標等元數據以目錄頁爲準（當前線索爲 GitHub 2 stars）。
結尾¶
dsh-film-analysis 把 ffmpeg 抽幀、畫面指標、八維表單、標註、OCR、自動分鏡與面板內拉片分析收進 DSH Web 工作流，並支持報告與鏡頭表導出。進一步瞭解可訪問 SkillHub 目錄頁 與 GitHub 倉庫。
