# 能拆出什么

## 画面是怎么做出来的

每个镜头判成下面 11 类之一。「工具能测」表示离线、不看图也能判断；其余的要靠看图模型或 agent 看画面。

| 类别 | 常见例子 | 工具能测 | 评测视频数 |
|---|---|---|---|
| 实拍 | 口播、vlog、带货、探店 | ✓ | 5 |
| AI 生成视频 | 文生 / 图生视频、AI 短剧 | ✓ | 24 |
| 数字人 | 一张人像被声音驱动说话 | 部分 | 0 |
| 3D 渲染 | Blender / C4D 科普、产品动画 | ✓ | 14 |
| 2D 动画 | 手绘、Live2D、AE 角色动画 | ✗ 看图 | 0 |
| 定格动画 | 黏土、毛毡、纸偶逐帧拍摄 | ✗ 看图 | 0 |
| 影视片段 | 影视解说、混剪、名场面合集里剪进来的电影 / 电视剧 / 短剧画面 | ✗ 看图（工具只给线索） | 8 |
| 代码 / 模板 | 文字动效、UI、图表、PPT 式卡片 | ✓ | 16 |
| 录屏 / 截图 | 软件操作、网页 | ✓ | 11 |
| 静图推拉 | 一张图做缩放平移 | ✓ | 3 |
| 静帧 | 图片或卡片停住 | ✓ | 5 |

同一个镜头上还会分开标出：

- 后期叠加：字幕、花字、标题、贴片、版式模板。物体上的字（包装、招牌）会尽量和字幕分开。具体见下面「剪辑包装层」。
- 真实素材：画面里嵌入的录屏、截图、照片、视频片段，复刻时要用原文件；AI 画面里的产品、Logo、人物，列为复刻时的参考图。
- 实拍上的 AI 加工（看图判断）：换脸、对口型、风格化重绘、AI 换装、抠像换背景、加删物体、美颜。复刻方案会写成「先拍，拍完再做哪步 AI 加工、用哪个模型」。

## 实拍是怎么拍的

| 方面 | 拆出什么 |
|---|---|
| 取景 | 景别（远景到大特写）、机位高低、构图 |
| 机位 | 手持 / 稳定器 / 三脚架、推拉摇移、手机还是相机、慢动作 / 延时 / 变速 |
| 打光 | 主光从哪边、多高；光比；软光还是硬光；色温；背景虚化；轮廓光、眼神光、画面里能看到的灯 |
| 布光方案 | 12 种，附器材清单：正面柔光、主光 + 补光、单侧硬光、逆光、夜景环境光、低调、高调、彩色氛围光（RGB / 霓虹）、产品静物、户外直射阳光、户外阴天、户外逆光 |
| 调色 | 风格（自然、青橙、日系、胶片、黑白、暗调、高饱和）以及饱和度、对比、黑位、冷暖 |
| 剪辑 | 节奏、跳切、推近切、插入画面的比例、是否卡节拍 |
| 形式 | 口播、桌拍、手持带货、vlog |

光比、软硬、色温、调色从像素测量；光源是什么、有没有轮廓光、是不是户外、拍摄速度，靠看图补充。两边的结果在报告里并排列出。

## 剪辑包装层

整条视频按一条时间轴拆，不按镜头切开（一句字幕、一个贴纸常常跨切镜）。

| 项 | 怎么测 | 产出 |
|---|---|---|
| 字幕时间轴 | 每秒 2 帧 OCR，同一位置的文字逐句跟踪，再用每秒 10 帧的灰度帧把起止对齐到约 0.1 秒；双行字幕合成一句 | `packaging/subtitles.srt` |
| 文字样式 | 从像素量：字色、描边色和粗细、底框颜色、渐变、关键词另一种颜色（说到时变色也能看出）、字号、倾斜、粗细 | 报告里的样式列 |
| 文字分类 | 字幕（同一位置连续换句）、花字（字大 / 彩色 / 倾斜 / 粗描边 / 多色 / 弹出，至少两条）、标题（顶部常驻）、文字标注（章节牌、跟着物体走的标签）、画面里的字 | 每条文字的类型 |
| 入场 / 出场 | 直接出现、缩放弹出、淡入、滑入、逐字出现；句中有没有弹跳或变色 | 报告、ASS 里的动画 |
| 贴纸 / 动图 / 画中画 | 在动的画面上不动、边界清楚的一块；切镜时周围全变它不变；镜头中途整块出现又消失（实拍上这条只标「疑似」）；里面在动且有固定周期就是循环 GIF | 时间、位置、截图（`packaging/sticker_XX.jpg`）。实测召回约一半，漏的靠看图补 |
| 音效卡点 | 每个音效对齐到最近的画面事件（字幕 / 花字 / 贴纸出现、切镜，±0.2 秒）；没开 VLM 时，在花字和贴纸出现的时刻补找瞬态声作为低置信候选 | 音效表的「对应画面」列 |

另外导出 `packaging/overlays.ass`（带颜色、描边、位置、弹出动画，可以直接 `ffmpeg -vf ass=` 压制，字体要换成原片字体）和 `packaging/timeline.json`。

字体是什么、贴纸贴的是什么内容，像素量不出来，靠 VLM 或 agent 看图补。3D、动画、版式画面里物体本来就会突然出现，这类镜头上只认跨切镜或循环播放的贴纸，其余的列为「画面内容」，需要的话看图确认。评测结果见 [eval/RESULTS.md](../eval/RESULTS.md)。

## 声音

- 人声：真人还是 AI 配音，口播文案。
- 配乐：BPM、调性、段落，是 AI 生成还是曲库。
- 音效：每个音效的时间点、类型，以及它卡在哪个画面事件上（字幕 / 花字 / 贴纸出现、切镜）。