vidlens-mcp

# vidlens [](https://github.com/cctv2333/vidlens/actions/workflows/ci.yml) [](https://pypi.org/project/vidlens-mcp/) [](LICENSE) **中文** · [English](README.en.md) 把一个**公开可看**的视频，降解成「模型能真正读懂的证据表」。 零云 API、零视觉模型、零显卡依赖。核心原则：**只下最小必要字节**。 ## 一分钟理解 我有眼睛（能看图片），但没有耳朵。所以我需要两样东西： 1. 声音 → 带时间戳的文字（这是唯一必须借工具的部分） 2. 任意时刻的画面 → 我自己看 工具只负责"取样 + 量化"，理解留在模型脑子里。 ## 三级预算（实测数据，7 分钟 1080p 视频） | 取法 | 体积 | 拿到什么 | |---|---|---| | 全片 1080p | 105.5 MB | 全部 | | **只下音频** | **7.3 MB** | **100% 语言信息（139 段 / 2184 字，与 1080p 逐字一致）** | | 只取 20 秒片段 | 0.9 MB | 那 20 秒的画面 | | 平台字幕（若有） | 0 MB | 平台自带的字幕轨，连音频都不用下 | **分辨率对语言信息零贡献。** 只有要读小字（代码、表格、UI 参数）时才需要原分辨率单帧。 ## 安装 需要 Python 3.10+。两种装法： **A. 从 PyPI（推荐给使用者，不用 clone）** ```bash pipx install "vidlens-mcp[all]" # 或 pip install "vidlens-mcp[all]" vidlens doctor # CLI 自检 # MCP 配置只需要：{"command": "vidlens-mcp"} ``` 产物与缓存在 `%LOCALAPPDATA%\vidlens\`（POSIX：`~/.local/share/vidlens/`）， 可用 `VIDLENS_OUT` / `VIDLENS_BIN` 覆盖；模型仍然放在你自己的模型目录。 **B. 从源码（开发用）** ```bat install.cmd ``` 工程在哪就用哪，下面三个位置都能用环境变量覆盖： - 产物：`VIDLENS_OUT`，默认工程内 `out/`（源码布局）；装成 wheel 后默认 `%LOCALAPPDATA%\vidlens\out` - 模型：`VIDLENS_MODEL_ROOT`，默认 `%LOCALAPPDATA%\vidlens\models`（POSIX 走 XDG）；旧的 `D:\dev\models` **仅在它已存在时**沿用 - ffmpeg 软链：`VIDLENS_BIN`，默认工程内 `bin/`（装成 wheel 后默认用户数据目录下的 `bin/`） **DSH 插件**（DeepSeek Harness 的原生 21 个工具）在另一个仓库： <https://github.com/cctv2333/dsh-vidlens> ## 命令 ### 一、网上视频（不需要先下载） ```bash vl meta <url> # 只读网页，0 字节媒体 vl grab <url> --lang zh # 字幕优先；无字幕则只下音频 -> 转写 + 停顿 + brief vl grab <url> --cuts # 额外扫镜头（需下最低画质视频，约 14-21MB，用完即删） vl clip <url> --from 02:00 --to 02:20 --sheet # 只下这 20 秒，出带时间码的拼图 ``` ### 二、本地视频 ```bash vl probe a.mp4 vl shots a.mp4 --thr 0.30 vl frames a.mp4 --at 19.5,21.0…