AURORA LAB · 前沿观察
DSH插件测评：536 星的插件，把视频压成一张分镜图
dsh-video-storyboard这个插件 536 星、一个月 3.5 万次下载，我拿一条 90 秒视频跑了一遍：一张图、233 token，模型就能答出第几秒发生了什么。
多模态模型看视频，过去只有两种笨办法。
01
逐帧抽图：10 分钟片子按 1 fps 抽就是 600 张图，token 直接爆。
dsh-video-storyboard 走第三条：把画面压成一张宫格图，旁边配一份按时间对齐的文本清单，每格带起止时间、这一格里的台词和切了几刀。模型拿到的不是摘要，是原材料。
01
切点切段，一段取一帧，整条时间轴都会被覆盖，不会跳过任何一秒。
02
格子边长按切点密度分 1/1 到 1/8 共八档：20 秒的长镜头占满整幅，0.3 秒的快闪只占 1/8 边长。
03
排布按行打包，装不下才开下一张，排完把画布裁到内容，所以每张图高度不同、内容一点不少。
04
长镜头里按画面变化积分补帧，补出来的帧再 +3 档，因为那里画面一直在变，一帧代表不了多久。
格子大小本身就是节奏：不用读数字，看哪里开始变成小格，就知道哪里开始快剪。窗宽还会按帧率折算，同一段素材 24fps 和 60fps 判出来的档位一致；想复现旧版分镜，写 "timeNormalize": false。
winget install Gyan.FFmpeg
dsh plugin --profile web add dsh-video-storyboard
node bin/doctor.mjs
01
只要 Node ≥ 20；插件不打包 ffmpeg，只调用你自己装的那份，找不到时会给出安装指引，不静默失败。
02
装完跑不起来，先执行 node bin/doctor.mjs，它把 ffmpeg、yt-dlp、ASR、缓存目录逐项查一遍，每条都跟一句「缺什么、怎么补」。
03
桌面版 Electron 的 desktop profile 会被 dsh plugin 拒绝，得 clone 源码后跑 node scripts/install-dev.mjs。
四、成本：一张图 233 token，跟里面几帧无关
图片按像素计费，格子数不影响，像素才影响。
01
800×450 一张约 233 token；上限 1300×1300 约 994，抬上去是加钱买清晰度，不是免费的。
02
同一段 90 秒片子：compact 3 张 666 token，full 18 张 3996，差了 6 倍。
03
默认 auto：先按时长定张数（约 4 分钟一张），再从 compact/standard/full 里挑一个还认得出画面的小格子档位。
想知道要几张，先 dryRun: true 问一次，它会回报切点数、帧数和每档要几张图；扫描有缓存，第二次几乎免费。确定档位再真出图。看完清单觉得某段重要，用 video_zoom 对那一段再取一次高清；只知道说了什么、不知道在第几分钟，用 video_locate 把一句话定位回时间码。
同一套切点，5 分钟的 150 刀片子：compact 10 张 2220 token，skim 3 张 666。2.5 小时按 4 分钟一张算，张数会摸到 39 张——所以它适合「先搞清这部片子讲什么」，不适合逐帧审片。
生态里做这件事的有三条路：抽真图片交回模型（每帧都清楚，但 20 帧就七千多 token）、关键帧丢给外部视觉模型（多一层调用费）、把帧和转写索引成库（建库贵、追问便宜）。它选了第四条：一张宫格图 + 文本清单，让模型自己看，代价是单帧不够清晰，需要细节时再 video_zoom 补一轮。
01
不把时间码烧进画面，时间只在清单里，要回看原片得对着清单找。
02
不做说话人分离；没配 ASR 时它只能说画面，说不出台词。
03
1/8 档的格子是 100×56，只够认出有没有换镜头，认不出字幕和脸。
04
逐帧辨字、要复核结论、对同一部片子追问二十次，这三种情况它不合适：它的长处是单位 token 覆盖的时间长，不是每一帧都清楚。
每次出图还会同时写一份 .evidence.json，每格的起止时间、取帧时刻、刀数都能回查——清单是给人读的散文，这份是给人和脚本复核的。
写在最后
看到这儿，说明你把它读完了。这类文章能走多远，只取决于两件事：你的在看和转发。
顺手关注并设为星标，下一篇更新第一时间见。
一起聊聊
你手上想让它先看哪条视频——是会议录屏，还是自己剪的素材？
欢迎在评论区说说你的做法。
#DSH插件# #视频分镜# #DeepSeekHarness#
