【每日开源】【gods-eye-view】用大模型自动分析视频，生成带时间轴的事件报告。

今天刷到一个挺有意思的项目，来自 GitHub 上 bilawalsidhu 的 gods-eye-view。名字听起来很玄乎，其实干的事儿挺实在：让大模型帮你 “看” 视频，然后自动写出一份带时间轴的事件报告。

简单说，你丢给它一个视频文件，它会先拆成帧和音频，然后用多模态模型（比如 GPT-4V）逐段分析画面里发生了什么，再结合音频转写的内容，最后生成一份结构化的文字报告。报告里会按时间顺序列出关键事件，比如 “00:15 一个人走进房间，手里拿着箱子”、“01:02 画面切换到户外街道”。

我看了下 README，它的工作流大致是：

1. 视频分帧 + 音频提取
2. 对每帧或关键帧用视觉模型描述场景
3. 音频转文字，跟画面描述对齐
4. 汇总成时间轴报告，输出 markdown 或 JSON

这玩意儿有啥用？我第一反应是监控视频的快速摘要——比如安防摄像头几个小时的录像，人根本看不完，但让模型跑一遍，几分钟就能出一份 “几点几分发生了什么事” 的清单。另外像会议录像、教学视频、甚至个人 vlog 的存档整理，都能用上。

不过也得说点实在的：这项目目前更像一个概念验证，依赖外部大模型 API，跑长视频成本不低，而且逐帧分析会有信息丢失（比如快速动作、画面切换的细节）。但思路很对——把 “看视频” 这件事拆成 “看帧 + 听声 + 写总结” 的流水线，以后模型便宜了、推理快了，这绝对是个刚需工具。

如果你对多模态应用感兴趣，或者手头有大量视频需要整理，值得克隆下来跑跑看。作者代码写得挺干净，扩展性也不错，换个模型、加个输出格式都方便。

就酱，项目地址自己搜 bilawalsidhu/gods-eye-view 吧。

项目地址：https://github.com/bilawalsidhu/gods-eye-view