目前只支持 MP4 格式，编码要求 H.264 视频和 AAC 音频。这是绝大多数手机和直播平台录制视频的默认格式，通常不需要额外转码。上传时系统会自动检测视频编码，如果格式不对会给出提示。建议视频分辨率不超过 4K，时长控制在两小时以内，避免处理时间过长。
不需要。所有 AI 模型（换衣检测、服装识别、遮挡检测）都在 CPU 上运行，使用的是轻量化 ONNX 和 TFLite 模型。最低硬件要求是 8 核 CPU、16GB 内存、Docker 分配 4GB 给 Worker。处理速度取决于 CPU 性能，M4 Mac 大约 10 分钟能处理一条 20 分钟的直播视频。
以 20 分钟的直播视频为例，使用推荐配置（VLM 确认 + 火山 VC 字幕 + karaoke 字幕），整体处理约 10 分钟。其中 AI 检测占 3 分钟，VLM 确认约 1 分钟，字幕转写约 20 秒，视频导出约 5 分钟。关闭 VLM 和字幕可以缩短到 6 分钟左右。视频越长、片段越多，导出阶段耗时越久。
可以。片段审核页面支持字幕文本修改和起止时间调整，修改后点击"重导出"即可生成新的片段视频。修改只保存在审核覆盖层，不会破坏原始转写数据，可以反复修改。每次重导出只处理单个片段，不会重新跑整个流水线。
- 高质量字幕版：开启 VLM 确认 + 火山 VC 字幕 + karaoke 逐字高亮字幕，适合最终发布的短视频，效果最好但费用略高。
- 快速低成本版：跳过 VLM，使用最便宜的 ASR，不烧录字幕，适合快速浏览直播内容、筛选片段。
- 全量候选调试版：导出所有视觉候选片段，不做 VLM 筛选，用于调试切分效果，片段数量可能很多。
- 只切不烧字幕版：走完整检测管线但跳过字幕烧录，适合只需要原始片段、后续自己加字幕的场景。
推荐默认的"火山 VC 字幕"。它使用剪映同款引擎分句，逐字时间戳最准确，karaoke 跳字效果最好。阿里 DashScope 最便宜但逐字时间戳是均匀分配的假时间戳，只能用于 basic 字幕。火山 BigModel 标准版居中，时间戳真实但分句不如 VC 智能。如果你用 karaoke 字幕，必须选火山 VC。
这通常是 ASR 服务选错了。阿里 DashScope 的逐字时间戳是均匀分配的伪时间戳（每个字固定约 0.27 秒），不是真实语音节奏。用这个服务做 karaoke，跳字会显得机械且不同步。解决办法：在设置页把 ASR 切换为"火山 VC 字幕"，然后重新上传任务。如果你只需要普通白字字幕，DashScope 没有这个问题。
可以。设置页的字幕设置页签里，位置支持"顶部"、"中部"、"底部"三个预设，以及"自定义"模式（拖拽滑块调整纵向位置）。字号分两层：普通字幕字号（默认 60）和 karaoke 高亮层字号（默认 72，更大更醒目）。修改后对新上传的任务生效，已有任务需要在审核页面重导出。
直播里主播经常说"嗯"、"那个"、"就是说"这类无意义口头语。开启语气词过滤后，系统会自动从字幕中删除这些词。有两种强度："仅过滤字幕"只删字幕文本，不影响视频；"同时裁剪视频"会把语气词对应的短视频段也剪掉，让成片更干净。词表内置 38 个常见语气词，不需要手动维护。
片段数量受几个因素影响。换衣检测灵敏度越高，切出的片段越多；"整套搭配"粒度比"每件单品"粒度产出的片段少。如果片段太少，可以在设置页的切分策略里把粒度切为"每件单品"，或者提高检测灵敏度。如果片段太多，可以开启 VLM 确认（选"智能"导出模式），让 AI 过滤掉误判的片段。也可以在审核页面手动跳过不满意的片段。
"每件单品"会把一套搭配里每件衣服各切成一个独立片段，比如主播同时展示毛衣和裙子，会产出两个片段。"整套搭配"会把整套搭配合为一个片段，适合做整体穿搭展示。如果你做单品种草，选"每件单品"；做穿搭推荐，选"整套搭配"。
VLM（视觉语言模型）会对换衣检测产出的候选片段做二次确认，逐帧分析画面内容，判断这个片段是否真的在讲一件新商品。它能过滤掉主播只是换了个姿势、拿放道具等误判情况。开启 VLM 可以减少无效片段，推荐开启"智能"模式。
可以。导出模式选"跳过 VLM"或"全量候选"都可以不调用 VLM。跳过 VLM 不需要配置 VLM API Key，处理速度也会快一点，但片段精度会降低（可能出现误切）。"全量候选"模式会导出所有视觉检测到的候选，适合调试阶段使用。
在片段资产页面，勾选想下载的片段，底部会出现批量操作条，点击"批量下载"即可打包为 ZIP。单次最多下载 20 个片段，超过 20 个需要分批下载。也可以在审核页面逐个下载。下载的文件名包含片段编号和商品名，方便管理。
可能的原因：空镜过滤机制会自动丢弃画面中长时间没有人的片段（人物出现率低于 60% 或开头连续 8 秒无人）。如果你的视频开头有一段无人画面，对应的片段可能被过滤掉了。另外，如果开启了敏感词过滤且模式为"跳过整个片段"，命中敏感词的片段会被直接跳过。可以在诊断页面查看被过滤的原因。
可以。设置页的"导出与音频"页签里有视频倍速选项，支持 0.5x 到 3x。默认 1.25 倍速，适合让讲解节奏更紧凑。字幕会跟语音时序保持一致，先烧录字幕再变速，不会出现声音和字幕错位的情况。
当前版本的封面由系统自动选择（根据商品区域大小、清晰度、是否被遮挡等综合评分）。如果你对封面不满意，可以在设置页切换封面策略："商品优先"倾向选突出商品的帧，"主播优先"倾向选突出主播人脸的帧。手动更换封面的功能在后续版本中规划。
费用主要来自三个 API 调用：VLM 确认、ASR 转写、LLM 文本分析（如果开启）。以 20 分钟视频为例，使用推荐配置（VLM 确认 + 火山 VC 字幕 + 不开 LLM），VLM 约 ¥0.1-0.3，ASR 约 ¥2.2，总计约 ¥2-3。如果开启 LLM 文本分析，额外增加约 ¥0.1-0.5。这个价格不包含你自己的服务器运行成本。
关闭 VLM（选"跳过 VLM"模式）+ DashScope ASR + 关闭字幕，是最便宜的组合。20 分钟视频的 ASR 费用不到 ¥0.1，VLM 费用为零。但这个配置产出的片段精度较低，字幕时间戳不精确，只适合快速预览和筛选。
几个实用建议：先用"快速低成本版"预览一遍，找到值得精细处理的视频后，再用"高质量字幕版"重新处理。关闭不需要的功能（LLM 文本分析、BGM、karaoke 字幕）。ASR 是最大的费用项，basic 字幕用 DashScope 就够了，只有 karaoke 才必须用火山 VC。火山引擎各 ASR 服务都有 20 小时免费额度，新用户可以先薅免费额度试效果。