deepseek-v4.1-flash 读视频，不用一帧一帧地看，一张分镜图加一份时间索引就够了。
这个插件叫 dsh-video-vision，是给 DeepSeek Harness 写的视频理解工具，三个命令：
· video_probe —— 时长、分辨率、帧率、旋转、字幕轨，先看清楚是什么片子
· video_storyboard —— 一次扫描切分镜头，挑出代表帧拼成一张分镜图，每一格都带时间码
· video_zoom —— 某一格看不清楚，按更大尺寸重画那一小段
几个实测数字（九段自建测试片 + 三台机器上的真实录屏）：
· 平均 0.6 秒出一张图，重复调用只花 0.4 秒
· 一段 13 分钟的片子，一张图 6.2 秒看完整
· 67 格画面、3648 视觉 token，平均每格 54.5 token
· 切点识别 F1 0.872，召回 1.000（41 个真实切点，漏 0 个）
· 分镜覆盖 0.963：九段片子里 96% 的镜头至少有一格画面
为什么便宜：视觉 token 按图片面积算，不按格子数量。所以把 25 个镜头拼成一张 1024 token 的图，比看 25 张小图便宜一个数量级。分镜会按“这格还看得清吗”来定量，而不是凑够 N 格。
顺带做了几件容易被忽略的事：
· 切点分类：硬切、叠化、单帧闪光、字幕条弹出、灯光变化，五种情况分开判定，不会把闪光当成新镜头
· 对白归属：有字幕轨就读出来，按格子归属写进索引，不烧进画面
· 声音判断：区分人声和背景音乐（看音节调制和频谱重心），音乐不会被告成“语音 45%”
· 零依赖：不需要 opencv、faster-whisper、yt-dlp，ffmpeg 自动找（找不到就退回读 ffmpeg 的 banner）
开源 MIT，一条命令安装：
node bin/install.mjs
代码和实测数据都在 GitHub：github.com/Destinhue/dsh-video-vision
致谢：接触印样式分镜的思路来自 SAOS-3624/dsh-video-storyboard，本插件是独立实现，没有复制其代码。
BGM 与配音：本视频的曲子由脚本合成，解说用 edge-tts 生成。
