8000 GitHub - majinkai/viral-video-analyzer: 全模态分析爆款短视频Claude Skill · GitHub
[go: up one dir, main page]

Skip to content

About

全模态分析爆款短视频Claude Skill

Resources

Stars

0 stars

Watchers

0 watching

Forks

 
 

Latest commit

 

History

1 Commit

Folders and files

Repository files navigation

Viral Video Analyzer · 爆款视频分析 Skill

一份能直接发给团队的爆款短视频拆解报告。Gemini 看懂视频,FFmpeg 切出片段,Jinja2 渲成 HTML —— 支持三套主题、12 种关键时刻、批量横评。

License: MIT Python 3.10+ Gemini 2.5 Skill for Claude


它能做什么

把一条短视频拆成可复用的方法论。不是"看视频写感想",而是一条确定的流水线:

视频文件 ──► Gemini 全模态分析 ──► 12 种关键时刻识别 ──► FFmpeg 切片 ──► HTML 报告
                                                                      ↓
                                          editorial · reelforge-dark · xiaohongshu 三套主题

批量模式下,可以把 N 条视频的拆解叠在一起,让 Gemini 二次解读,产出共性钩子、可迁移结构、风险提示 —— 这是单条分析做不到的。

特性

  • 🎯 画面级理解:不是字幕语音转写,是 Gemini 2.5 真的"看懂"画面在做什么
  • 🧩 12 种关键时刻:钩子 / 好奇缺口 / 痛点 / 共鸣 / 权威 / 他证 / 超级效果 / 前后对比 / 反转 / 紧迫感 / 干货 / CTA —— 分 6 组色系,主+副双标签
  • 🎨 三套报告主题:研报风、深色金调、小红书暖色,单文件分发
  • 📊 横向对比报告:批量分析 N 条 + Gemini 二次智能聚合,提炼共性引擎
  • 🎬 自动切片:每个关键时刻切出 mp4 + 关键帧 jpg,直接复用
  • 🌍 7 种品类侧重:beauty / food / knowledge / ecommerce / emotional / tech / fashion
  • ⚡ 反爆款思维:即便视频很好,也会强制找出 2-4 条潜在隐忧,避免谄媚
  • 🔒 外层确定 · 内层智能:可预测、能复跑、出错可定位

报告长什么样

报告是单文件 HTML(关键帧用 base64 内嵌,视频用相对路径)。展开来有:

  • Masthead — 标题 + 核心吸引力 + 时长/平台/品类/人群/结构元数据
  • 综合评分块 — 大字号评分 + 钩子强度 + 爆款公式卡片 + 可复制套路 + 潜在隐忧
  • 关键时刻拆解 — 每个 moment 一张卡片:关键帧 / 时间戳 / 主+副类型徽章 / 标题 / 客观描述 / 心理分析 / 内嵌视频
  • 视觉与节奏 — 色彩 / 运镜 / 字幕 / BGM 四象限
  • 复刻 · 优化建议 — 编号列表

快速上手

# 1. 装依赖
pip install -r requirements.txt

# 2. 装 FFmpeg
brew install ffmpeg          # macOS
sudo apt install ffmpeg      # Ubuntu

# 3. 配 Gemini API key
cp .env.example .env
# 编辑 .env,填进 GOOGLE_API_KEY=xxx
# (去 https://aistudio.google.com/apikey 申请)

# 4. 一键流水线
python scripts/run_pipeline.py path/to/video.mp4 -o output/ -v beauty -t editorial

# 5. 浏览器打开 output/report.html

完整命令清单

单视频:三步分开跑

# 第 1 步:Gemini 分析,产出 analysis.json
python scripts/analyze_video.py video.mp4 -o output/analysis.json \
  -m gemini-2.5-pro -v beauty -c "护肤品种草视频"

# 第 2 步:FFmpeg 切片,产出 clips/
python scripts/extract_clips.py video.mp4 output/analysis.json \
  --output-dir output/

# 第 3 步:渲染 HTML 报告
python scripts/generate_report.py output/analysis.json output/clips \
  -o output/report.html --theme editorial

单视频:一键流水线

python scripts/run_pipeline.py video.mp4 -o output/ \
  --vertical beauty --theme reelforge-dark

批量分析

# 方式 A:扫描目录
python scripts/batch_analyze.py --input-dir ./videos/ -o ./batch_out/ \
  --vertical beauty --theme editorial

# 方式 B:CSV 清单(可指定每个视频的 context 和 vertical)
python scripts/batch_analyze.py --input-csv competitors.csv -o ./batch_out/

CSV 格式(每行: path,context,vertical,后两列可选):

videos/competitor_1.mp4,主打成分党的护肤品种草,beauty
videos/competitor_2.mp4,日本牌子的橘绿对比,beauty
videos/our_own.mp4,自家上周的视频,beauty

横向对比

python scripts/compare_videos.py batch_out/batch_summary.json \
  -o batch_out/comparison.html --theme editorial

# 跳过 Gemini 智能聚合,只用本地统计
python scripts/compare_videos.py batch_out/batch_summary.json \
  -o batch_out/comparison.html --no-llm

三套主题预览

editorial(默认) reelforge-dark xiaohongshu
暖米白底 #fafaf7 深炭灰底 #0f0f10 温暖橘粉底 #fff5ed
衬线大标题 Noto Serif SC 衬线大标题 + 金色 #d4af37 圆润字体 ZCOOL XiaoWei + Ma Shan Zheng
红色强调 #b91c1c 金色强调 小红书红 #ff2442
研报风、内部分享 投资人材料、品牌外发 朋友圈、社群、种草

12 种关键时刻

按 6 组色系组织,每组主+副两种类型:

组别 主类型 副类型 色系
抓人 hook 钩子 curiosity_gap 好奇缺口 紫
代入 pain_point 痛点 relatability 共鸣 暖红
背书 authority 权威 social_proof 他证 蓝
效果 super_effect 超级效果 transformation 前后对比 琥珀
节奏 twist 反转 urgency 紧迫感 橙
价值 value 干货 cta 行动号召 绿

一个片段可以同时标主类型和副类型(比如一个 hook 也可能同时是 curiosity_gap)。

7 种品类侧重

加 -v <vertical> 让 Gemini 按对应品类的爆款逻辑分析:

  • beauty —— 美妆个护(重点关注 super_effect / transformation)
  • food —— 美食探店(色香味的视觉化、第一口时机)
  • knowledge —— 知识教学(value / curiosity_gap / authority)
  • ecommerce —— 直播切片 / 商品种草(social_proof / urgency / cta)
  • emotional —— 情感共鸣 / 故事化(relatability / twist)
  • tech —— 3C 数码 / 测评(authority / value / transformation)
  • fashion —— 穿搭时尚(transformation / relatability)

目录结构

viral-video-analyzer/
├── SKILL.md                    # Skill 触发条件 + 完整方法论
├── README.md                   # 你正在看的这个
├── requirements.txt            # Python 依赖
├── .env.example                # API key 配置示例
├── scripts/
│   ├── analyze_video.py        # 第 1 步:Gemini 分析(含 12 种 type、7 种 vertical、few-shot)
│   ├── extract_clips.py        # 第 2 步:FFmpeg 切片
│   ├── generate_report.py      # 第 3 步:HTML 渲染(支持 3 套主题)
│   ├── run_pipeline.py         # 单视频一键流水线
│   ├── batch_analyze.py        # 批量分析(目录或 CSV)
│   └── compare_videos.py       # 横向对比(本地聚合 + Gemini 智能洞察)
├── assets/
│   ├── report_template.html    # 单视频报告模板(3 套主题 in one file)
│   └── comparison_template.html # 横向对比报告模板
├── references/
│   ├── analysis_framework.md   # 12 种 type 判定标准、评分维度定义
│   └── gemini_prompts.md       # prompt 修改指南
└── examples/
    └── example_analysis.json   # 完整 analysis.json 样例

设计决策

为什么是确定 DAG + 内层 LLM,而不是把所有东西交给 LLM?

把一整条"分析→切片→渲染"的链路全部塞给 LLM 自由发挥,看起来更"智能",但实际上:

  1. 结果不可预测:同一条视频两次跑可能产出完全不同结构的报告
  2. 出错难定位:报告不对,是分析错了?切片错了?还是渲染错了?
  3. 不可优化:想换个主题、加个字段,只能改 prompt 然后祈祷

把 DAG 写死、只让 LLM 做它最擅长的"看懂画面",反而能:

  • JSON schema 是契约,后续步骤可以精确依赖
  • FFmpeg 切片是纯函数式,给同样的时间戳一定切出同样的片段
  • 模板渲染可以完全确定地控制视觉
  • 想加新类型/新主题/新品类侧重,改的位置都很明确

这是 Harness 架构在小型 skill 上的体现 —— 外层确定,内层智能。

修改 Prompt

最有杠杆的修改位置都在 scripts/analyze_video.py 的顶部:

  • MOMENT_TYPES —— 12 种 type 的中文描述
  • VERTICAL_HINTS —— 7 种品类侧重的提示词
  • FEW_SHOT_EXAMPLE —— 给模型示范风格的样例
  • SYSTEM_INSTRUCTION —— 分析师人设和评分克制原则

加新 type / 新 vertical 的同步清单看 references/gemini_prompts.md。

贡献

欢迎 PR:

  • 加新的 vertical(比如 pet 萌宠、travel 旅行)
  • 加新的报告主题(社群分享、PPT 风、极简风)
  • 优化 prompt(更精准、更克制、更具体)
  • 改进失败模式处理

提 issue 时附上 analysis.json 和 report.html(去敏后),会更快定位。

License

MIT

About

全模态分析爆款短视频Claude Skill

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages

0