本地长视频多模态分析：开发者分享音频转录+帧采样+分块摘要的流水线

dash_bro · reddit · 2026-08-10

Reddit 用户 dashbro 分享了自己构建本地长视频（6-10小时）多模态分析流水线的经验。由于本地模型上下文限制，他采用音频转录（qwen3-asr）+ 动态帧采样（基于上下文长度计算帧率，并用 absdiff 去除变化小的帧）+ 分块摘要（每块包含相关帧和转录文本）的方法，最终得到全局摘要和分块摘要的组合。他还尝试用 gemma4 12B 对转录进行说话人分离和音效标注。他询问是否有更好的方案能在 128GB RAM 上运行，并提到 vllm-omni 等原生多模态方案因上下文限制尚不可用。