# VideoSummarizer: Reduced RAG for Video (Shots | → | Scenes |→ | Evidence

<!-- category -- AI,Video,ONNX,Patterns,Architecture,LLM,NER,CLIP -->
<datetime class="hidden">2026-01-15T19:00</datetime>

> **الوضع**: في التطوير كجزء من [lucidRAG](https://www.lucidrag.com).
> **المصدر**: [github.comM SK1scottgal/lucidrag](https://github.com/scottgal/lucidrag)

**أين يلائم هذا**: VideoSummarizer هو **الأوركسترا** من [lucidRAG](https://www.lucidrag.com) العائلة, تدمج ثلاثة أنابيب في محرك تحليل فيديو موحد:

- **[DocSummarizer](/blog/building-a-document-summarizer-with-rag)** - مستندات ( إستخراج الكائنات, رسمول المعرفةM SK3
- **[ImageSummarizer](/blog/constrained-fuzzy-image-intelligence)** - الصور (22- الذكاء البصري الموجي, مداخلات CLIPM SK3 OCRMSC4
- **[AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization)** - الصوت (الرسم الصوتيM SK2استهلاك السماعة, الترجمةMSC4
- **فيديو سوممارزر** (هذه المقالة) - الفيديو ( ينظم كل الثلاثة, يضيف اللقطةMSC5 هيكل المشهدMSc6
- **[المزيج للبيانات](/blog/datasummarizer-how-it-works)** - البيانات ( إستنتاج الرسم التخطيطيM SK2 رسم الخرائط)

كلهم يتبعون نفس الشيء **[تخفيض نمط RAG](/blog/reduced-rag)**: نستخرج الإشارات مرة واحدة , نحفظ الأدلة , ن синтезها مع مدخل LLM محدود

---


معالجة شريحة فيلم ساعتيّة بـ- بـ - بــ - بداخلات "CLIP" ستستغرق ساعات وتكلف مئات الدولارات في الحساب.

**VideoSummarizer يحل هذا بثلاثة تحسينات رئيسية:**

1. **تقليل الخش الحسي** - تجاوز إطارات شبيهة بصريا قبل أن تكون مكلفة ML (40% تقليل
2. **دمج بطاقة CLIP** - عملية 8 صور لكل مدخل GPU بدلا من واحد (3-5x تسارع
3. **تركيب أنابيب** - صورة ChainSummarizer للحواسيب المفاتيح, صوتSum marizer للحديثM SK2 NER للوحدات

وكانت النتيجة : 2- ساعة من عملية الفيلم في ~10-15 دقائق , وليس ساعات S. نفس مبادئ العمارة كما [ImageSummarizer](/blog/constrained-fuzzy-image-intelligence) و [AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization), لكن يتكون من أنابيب تحليل فيديو موحدة.

> **رؤية أساسية:** الفيديو هو اللقطات + الصوت + النص. معالجة كل مجال باستخدام أدوات مخصصة
> 
> - **بنية العملية أولاً** (cutsM SK1 I-frames , audio segments)
> - **استخرج إشارات متقاطعة - مدوئية مرة واحدة** (

**المصطلحات:**

- **إطلاق النار** يأخذ الكاميرا بين التقاطات (بنية, من إكتشاف مشهد FFmpeg
- **مشهد** مجموعة مترابطة من اللقطات التي تشكل وحدة متماسكة (semantic, من التجمع
- **الأدلة**  `(start_time, end_time)` + إشارات + اشارات + provenance

**نماذج ML الرئيسية المستخدمة:**

- **[قفص](https://openai.com/research/clip)** OpenAI's Contrastive LanguageM SK1Image Pre-trainingMSC3 ينتج 512-dimensional embeddings that encode visual semantics
- **[تصرخ](https://openai.com/research/whisper)** نموذج التعرف على الكلام من OpenAI'; يقوم بترجمة الصوت إلى النص مع علامات زمنية
- **[BERT-NER](https://huggingface.co/dslim/bert-base-NER)** إدراك الكيان المسمى; يستخرج الناس, المنظماتM SK2 المواقع من النص
- **[أونكس وقت التشغيل](https://onnxruntime.ai/)** Cross-platform ML inference; runs models on CPUM SK2GPU without framework lockMSC3in

هذا المقال يغطي

- كيف ينظم VideoSummarizer ثلاث خطوط أنابيب (ImageSommarizer, AudioSummarzer , NERM SK3
- هيكلة الموجات: 16 موجات من الاستنساخ إلى توليد الأدلة
- **نظام القدرات**: تحميل نماذج ضعيفةM SK1 كشف GPU, توجيه ردي فعل
- تحسين حزمة "CLIP" لدمج الإطارات المفاتيح (3-5x أسرع)
- تقليل الخش الإدراكي (40% تقليل الإطار )
- متعددة -جمعات مشهدية للسائط (دمج | | + | transcript |+ | cut type |
- إندماج NER لإستخراج الكيانات من المخطوطات
- **الذرات البدائية** للحد من معدلات , تقدير زمني , والضغط الخلفي
- ال sortie: المشهدات, اللقطات , TranscriptsM SK3 tracks text as RAG evidence

**المقالات المترابطة**:

- **[تقلل من RAG](https://www.mostlylucid.net/blog/reduced-rag)** - النمط الأساسي
- **[نمط الغموض المقيد](/blog/constrained-fuzziness-pattern)** - النمط الأساسي
- **تطبيقات RAG المنخفضة**
  - [DocSummarizer](/blog/building-a-document-summarizer-with-rag) - لاسوند RAG مع استخراج الوحدات
  - [ImageSummarizer](/blog/constrained-fuzzy-image-intelligence) - RAG لتصوير الصور مع 22- حواس بصري موجي
  - [AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization) - التصنيف الصوتي الجنائي
  - **VideoSummarizer (this article)** - المنظم لعلوم الفيديو

[TOC]

---


## المشكلة: أن الفيديو مكلف

> **المؤشرات القياسية**: الأرقام التي تم قياسها على AMD 9950X (16-core) МSK4 NVIDIA AM SK5 | | (16 | GB |) |

الفيلم العادي يحتوي على:

- **إطارات ~170,000** (2 ساعات عند 24fps)
- **~2 ساعات من الصوت** (الحديث, الموسيقىM SK2 المؤثرات )
- **طبقات نص متعددة** (ترجمات,كتابة, على -كتابة شاشة)

المقاربة القشية ( لا أحد يفعل هذا , لكنه يحدد المقياس МSK2

- إضافة CLIP لكل إطار: ~200ms × | | 170,000 | **9.4 ساعات**
- Vision LLM per frame: ~2s × | | **94 ساعات** (cloud Vision API ballpark

حتى مع استخراج إطارات المفاتيح (sayM SK1 500-1000 frames), ذلكMSC4s لا يزال |100-200 ثوان من استنتاج السلسلة CLIP | .

**النهج التقليدي**: "إستخراج إطارات المفاتيح, أرسل إلى Vision LLM

**المشكلة**: هذا يحرق الحسابات على الإطارات المتفرطة (العديد من إطارات المفاتيح متشابهة بصريا), يعالجها بسلسلة ♫( معالجة GPU فارغة بين الإطارات ♫

**الحل**: متعددة- التصفية المراحلM SK2 معالجة العينات , وكون أسلاك الأنبوب

---


## فن العمارة المدمجة في الفيديو

تطبيقات VideoSummarizer **[تقلل من RAG](/blog/reduced-rag)** للفيديو بثلاثة مراحل

```mermaid
flowchart TB
    subgraph Input["Video File (.mp4, .mkv, etc.)"]
        V[Video Stream]
        A[Audio Stream]
    end

    subgraph Stage1["Stage 1: Structural Analysis"]
        N[NormalizeWave<br/>FFprobe metadata]
        SD[ShotDetectionWave<br/>Scene cuts via FFmpeg]
        KE[KeyframeExtractionWave<br/>I-frame + dedup]
    end

    subgraph Stage2["Stage 2: Content Extraction"]
        IS[ImageSummarizer<br/>CLIP, OCR, Vision]
        AS[AudioSummarizer<br/>Whisper, Diarization]
        NER[NER Service<br/>Entity extraction]
    end

    subgraph Stage3["Stage 3: Scene Assembly"]
        SC[SceneClusteringWave<br/>CLIP similarity]
        EV[EvidenceGenerationWave<br/>RAG chunks]
    end

    V --> N --> SD --> KE
    KE --> IS
    A --> AS
    AS --> NER
    IS --> SC
    NER --> SC
    SC --> EV

    style Stage1 stroke:#22c55e,stroke-width:2px
    style Stage2 stroke:#3b82f6,stroke-width:2px
    style Stage3 stroke:#8b5cf6,stroke-width:2px
```

### أثار الأدلة التي تم إنتاجها

قبل أن تذهب إلى التنفيذ , هنا ' هذا ما تحصل عليهschema المخرجي

| الأثر | الحقول الرئيسية | المصدر S|
|----------|------------|--------|
| **مشهد** | `id`, `start_time`, `end_time`, `key_terms[]`, `speaker_ids[]`, `embedding[512]` | SceneClusteringWave  |
| **إطلاق النار** | `id`, `start_time`, `end_time`, `cut_type`, `keyframe_path` | موجة إكتشاف الرصاص |
| **التصريح** | `id`, `text`, `start_time`, `end_time`, `speaker_id`, `confidence` | موجة الترجمة |
| **نغمة نصية** | `id`, `text`, `start_time`, `text_type` (titleM SK1credit/subtitle /ocrMSC4 | SubtitleExtractionWave |
| **إطار مفاتيح** | `id`, `timestamp`, `frame_path`, `dhash`, `clip_embedding[512]` | إطار مفاتيحExtractionWave |

كل قطعة فنية تتضمن **الموطن**: موجة المصدرM SK1 علامة زمنية معالجة, درجة الثقةMSC3 هذا هو " مذكرة الدليلMNK5 التي تعمل على مستودعات RAG في الأسفل

### إشارة - أنابيب الموجة الواعية

VideoSummarizer يستخدم **بنية موجية مبنية على إشارة** حيث كل موجه يعلن عن إتفاقاته الإشارات بشكل واضح:

```csharp
public interface ISignalAwareVideoWave
{
    /// <summary>Signals this wave requires before it can run.</summary>

    IReadOnlyList<string> RequiredSignals { get; }

    /// <summary>Signals this wave can optionally use if available.</summary>

    IReadOnlyList<string> OptionalSignals { get; }

    /// <summary>Signals this wave emits on successful completion.</summary>

    IReadOnlyList<string> EmittedSignals { get; }

    /// <summary>Cache keys this wave produces for downstream waves.</summary>

    IReadOnlyList<string> CacheEmits { get; }

    /// <summary>Cache keys this wave consumes from upstream waves.</summary>

    IReadOnlyList<string> CacheUses { get; }
}
```

هذا يُمكن **توازن الموجات الديناميكية**:

- تمر الأمواج تلقائياً إذا لم تكن هناك إشارات ضرورية
- تحل الإعتمادات في وقت التشغيل (لا نظم مشفرة
- إعادة التشغيل جزئية قابلة للتكرار (محفظة عن طريق مفاتيح الإشارة)
- دقة تقدم UI: كل موجة ترسل التقدم بشكل مستقل

### أنابيب موجة 16-

تم تنفيذ استخراج الإطارات الرئيسية كـ 7 موجات رقيقة لتحسين التوازن والكفاءة في الحواسيب.

| الموجة | الأولوية | تتطلب | الإنبثاق | الوقت |
|------|----------|----------|-------|------|
| **NormalizeWave** | 1000 | - | `video.duration`, `video.fps`, `video.normalized` | ~2s  |
| **موجة إكتشاف FFmpegShot** | 900 | `video.normalized` | `shots.detected`, `shots.count` | ~5-10s  |
| **موجة إكتشاف IFrame** | 850 | `video.normalized` | `keyframes.iframes_detected`, `keyframes.iframes_count` | ~3s  |
| **موجة إختيار إطار مفاتيح** | 840 | `shots.detected`, `keyframes.iframes_detected` | `keyframes.selected`, `keyframes.selected_count` | ~1s  |
| **موجة استtraukة لقطة** | 830 | `keyframes.selected` | `keyframes.thumbnails_extracted` | ~5s  |
| **موجة تفكيك إطار مفاتيح** | 820 | `keyframes.thumbnails_extracted` | `keyframes.deduplicated`, `keyframes.duplicates_skipped` | ~1s  |
| **لوحة مفاتيح FullResExtractionWave** | 810 | `keyframes.deduplicated` | `keyframes.extracted`, `keyframes.count` | ~10s  |
| **موجة الدمج الملتقط** | 800 | `keyframes.extracted` | `clip.embeddings_ready`, `clip.embeddings_count` | ~30s  |
| **موجة تحليل الصورة** | 790 | `keyframes.deduplicated` | `keyframes.analyzed`, `ocr.extracted` | ~60s  |
| **TitleCreditsDetectionWave** | 750 | `shots.detected` | `title.detected`, `credits.detected` | ~5s  |
| **موجة الاستخراج الصوتي** | 650 | `video.normalized` | `audio.extracted`, `audio.path` | ~30s  |
| **موجة الترجمة** | 600 | `audio.extracted` | `transcription.complete`, `transcription.utterance_count` | ~120s  |
| **موجة استtractionsubtitle** | 550 | `video.normalized` | `subtitles.extracted` | ~2s  |
| **فصل موجة الاستخراج** | 500 | `video.normalized` | `chapters.extracted` | ~1s  |
| **موجة الـ SceneClustering** | 400 | `shots.detected` | `scenes.detected`, `scene.count` | ~5s  |
| **موجة الأدلة** | 100 | `scenes.detected` | `evidence.generated` | ~2s  |

**ملاحظات:**

- تستخدم ImageAnalysisWave `keyframes.deduplicated` (لا كاملاً-resM SK2 يعمل التصوير بالرسوم المتحركة على شاشات اللقطة ; يستعمل تعليق الرؤية الكاملةMSC4res عندما يكون متاحاً عن طريق التوجيه للقدرة | .
- الموجات 3-7 هي عبارة عن " إستخراج إطار مفاتيح | " | فرعي |- | أنابيب | МSK4 | موجات جزيئية للكفاءة في المخزن

**الكلي لـ 2- ساعة من الفيلم**: ~10-15 دقائق (vs. ساعات دون تحسين

### حسنا- مفاتيح الإشارات المعروفة

الإشارات تُعرّف كثوابت للثبات:

```csharp
public static class VideoSignals
{
    // NormalizeWave signals
    public const string VideoDuration = "video.duration";
    public const string VideoFps = "video.fps";
    public const string VideoNormalized = "video.normalized";

    // Shot detection signals
    public const string ShotsDetected = "shots.detected";
    public const string ShotsCount = "shots.count";

    // Keyframe signals
    public const string IframesDetected = "keyframes.iframes_detected";
    public const string KeyframesSelected = "keyframes.selected";
    public const string KeyframesDeduplicated = "keyframes.deduplicated";
    public const string KeyframesExtracted = "keyframes.extracted";

    // CLIP embedding signals
    public const string ClipEmbeddingsReady = "clip.embeddings_ready";

    // Scene clustering signals
    public const string ScenesDetected = "scenes.detected";
    public const string SceneCount = "scene.count";

    // Transcription signals
    public const string TranscriptionComplete = "transcription.complete";
}
```

---


## نظام القدرات: نماذج بطيئة & السلسلة

VideoSummarizer يستخدم **القدرة-بنية معمارية**: إكتشاف GPU مرة واحدة عند البداية, تحميل النماذج ببطءM SK2 عمل طريق إلى المكونات المتاحةMSC3

### مذكرة النموذج (YAML + النوعM SK2مستويات آمنة)

النماذج تم تعريفها في `models.yaml`لا توجد سلسلة سحرية في الرمز:

```yaml
# models.yaml (excerpt)
models:
  clip-vit-b32:
    name: "CLIP ViT-B/32"
    download_url: "https://huggingface.co/openai/clip-vit-base-patch32/resolve/main/onnx/visual_model.onnx"
    preferred_providers: [CUDAExecutionProvider, DmlExecutionProvider, CPUExecutionProvider]

components:
  ClipEmbeddingWave:
    models: [clip-vit-b32]
    fallback_chain: [ImageAnalysisWave]
```

```csharp
// Type-safe constants (no raw strings)
await coordinator.EnsureModelAsync(ModelIds.ClipVitB32);
await coordinator.ActivateWaveAsync(ComponentIds.TranscriptionWave);

// Route with fallback
var route = await coordinator.RouteWorkAsync(new[]
{
    ComponentIds.ClipEmbeddingWave,    // Primary (GPU)
    ComponentIds.ImageAnalysisWave     // Fallback (CPU)
});
```

### أذرع كفاءة أنابيب

قيود السرعة , تخمين زمني , والضغط الخلفي التكيفي يحافظ على إستجابة الواجهة بينما يزيد من الإنتاجية

```csharp
// Time estimation from actual data
var estimator = CapabilityAtoms.CreateTimeEstimator();
using (estimator.Time("clip_embedding")) { await ProcessAsync(); }
var eta = estimator.GetEstimate("clip_embedding", remaining: 50);
// eta.Estimated, eta.Optimistic, eta.Pessimistic, eta.Confidence
```

> **وثائق نظام القدرات الكاملة**: أنظر `Mostlylucid.Summarizer.Core/Capabilities/` للكشف عن GPU , ناقل إشارات / فرعي , , متحكمات الضغط الخلفي . , وتصميم بنية الشبكة

---


## تحسين المفتاح 1: تقليل الخش الإدراكي

قبل تشغيل مداخلات CLIP باهظة الثمن, VideoSummarizer يفرز إطارات شبيهة بصريا باستخدام **الاختلاف hash (dHash)**.

### كيف يعمل dHash

```csharp
public class KeyframeDeduplicationService
{
    // dHash parameters: 9x8 grayscale = 64 bits
    private const int HashWidth = 9;
    private const int HashHeight = 8;
    private const int DefaultHammingThreshold = 10;

    public async Task<ulong> ComputeDHashAsync(string imagePath, CancellationToken ct)
    {
        using var image = Image.Load<Rgba32>(imagePath);

        // Resize to 9x8 (one extra column for gradient comparison)
        image.Mutate(x => x
            .Resize(HashWidth, HashHeight)
            .Grayscale());

        ulong hash = 0;
        int bit = 0;

        // Compare adjacent pixels horizontally
        for (int y = 0; y < HashHeight; y++)
        {
            for (int x = 0; x < HashWidth - 1; x++)
            {
                var left = image[x, y].R;
                var right = image[x + 1, y].R;

                // Set bit if left pixel is brighter than right
                if (left > right)
                {
                    hash |= (1UL << bit);
                }
                bit++;
            }
        }

        return hash;
    }

    public static int HammingDistance(ulong a, ulong b) =>
        BitOperations.PopCount(a ^ b);
}
```

**مخرج مثالي:**

```
Input: 50 keyframe candidates (from codec I-frames)

Deduplication (Hamming threshold 10):
  Frame 0: hash=0x8f3a2c1d → KEEP (first frame)
  Frame 1: hash=0x8f3a2c1e → SKIP (distance=1 from frame 0)
  Frame 2: hash=0x8f3a2c1f → SKIP (distance=2 from frame 0)
  Frame 3: hash=0xc7e1b4a2 → KEEP (distance=28 from frame 0)
  ...

Result: 50 → 30 frames (40% reduction)
Processing saved: ~8 seconds of CLIP inference
```

**لماذا يهم هذا؟**

- **~40% تقليل الإطار** على المحتوى العادي
- **<1ms لكل إطار** لحساب الهش (vsM SK1 200ms ل CLIP)
- يصف الإطارات الإفراطية **قبل** عمليات GPU مكلفة

---


## تحسين المفتاح 2: مداخلة بطاقة CLIP

بدلاً من معالجة صورة واحدة في وقت واحد

### هندسة المعالجة الجماعية

```csharp
public class BatchClipEmbeddingService
{
    private const int ClipImageSize = 224;
    private const int DefaultBatchSize = 8; // 8 images per GPU pass

    public async Task<Dictionary<int, float[]>> GenerateBatchEmbeddingsAsync(
        Dictionary<int, string> framePaths,
        int batchSize = DefaultBatchSize,
        CancellationToken ct = default)
    {
        var session = await GetOrLoadClipModelAsync(ct);
        var results = new Dictionary<int, float[]>();

        // Pre-index batch for O(1) lookup (not batch.IndexOf!)
        var batches = framePaths
            .Select((kvp, idx) => (idx, kvp.Key, kvp.Value))
            .Chunk(batchSize);

        foreach (var batch in batches)
        {
            // Create batch tensor [batchSize, 3, 224, 224]
            var tensor = new DenseTensor<float>(new[] { batch.Length, 3, ClipImageSize, ClipImageSize });

            // Preprocess images in parallel (simplified; production uses vectorised span copy)
            Parallel.ForEach(batch, item =>
            {
                var (batchIdx, frameIndex, path) = item;
                var localIdx = batchIdx % batchSize;
                PreprocessImageToTensor(path, tensor, localIdx); // ImageSharp pixel buffers
            });

            // Single GPU pass for entire batch
            var inputs = new List<NamedOnnxValue>
            {
                NamedOnnxValue.CreateFromTensor("input", tensor)
            };

            using var outputResults = session.Run(inputs);
            // Extract embeddings from batch output...
        }

        return results;
    }
}
```

**مقارنة بالأداء:**

```
Input: 30 keyframes (after deduplication)

Serial processing (1 frame at a time):
  30 × 200ms = 6,000ms (6.0 seconds)

Batch processing (8 frames per pass):
  4 batches × 350ms = 1,400ms (1.4 seconds)

Speedup: 4.3x
```

**لماذا ينجح معالجة العينات:**

- متوازية GPU لا تستخدم بشكل جيد مع إفتراض صورة واحدة
- طاقة الحزم `[8, 3, 224, 224]` يستخدم نفس ذاكرة GPU كالصورة الواحدة ( أغلب)
- "ONNX Runtime" يحسن عمليات الحزم داخلياً

---


## تحسين المفتاح 3: تركيب أنابيب

VideoSummarizer doesn't reinvent ImageSommarizer or AudioSum marizerit **السلاسل** هم.

### لوحة مفاتيح فرعية -Pipeline: تجميع الصور

تم تقسيم إستخراج الإطارات الرئيسية إلى موجات 7 جزيئية ( أنظر إلى جدول الموجات في الأعلى | ). | هنا |' | هذا هو نمط التسلسل الذي يظهر كيف يربطون معاً

```csharp
// IFrameDetectionWave → KeyframeSelectionWave → ThumbnailExtractionWave
// → KeyframeDeduplicationWave → KeyframeFullResExtractionWave → ClipEmbeddingWave

// ClipEmbeddingWave coordinates with ImageSummarizer
public class ClipEmbeddingWave : IVideoWave, ISignalAwareVideoWave
{
    public IReadOnlyList<string> RequiredSignals => [VideoSignals.KeyframesExtracted];
    public IReadOnlyList<string> EmittedSignals => [VideoSignals.ClipEmbeddingsReady];

    public async Task ProcessAsync(VideoContext context, CancellationToken ct)
    {
        var keyframes = context.GetCached<Dictionary<int, string>>("keyframes.paths");

        // Batch CLIP embedding (3-5x faster than serial)
        var embeddings = await _batchClipService.GenerateBatchEmbeddingsAsync(
            keyframes, batchSize: 8, ct);

        foreach (var (frameIndex, embedding) in embeddings)
            context.KeyframeEmbeddings[frameIndex] = embedding;
    }
}

// ImageAnalysisWave runs ImageSummarizer on deduplicated frames
public class ImageAnalysisWave : IVideoWave, ISignalAwareVideoWave
{
    public IReadOnlyList<string> RequiredSignals => [VideoSignals.KeyframesDeduplicated];

    public async Task ProcessAsync(VideoContext context, CancellationToken ct)
    {
        var keyframePaths = context.GetCached<List<string>>("keyframes.deduplicated_paths");

        foreach (var path in keyframePaths)
        {
            // Run ImageSummarizer for OCR, vision, captions
            var result = await _imageOrchestrator.AnalyzeAsync(path, ct);
            context.SetCached($"image_analysis.{Path.GetFileName(path)}", result);
        }
    }
}
```

### TranscriptionWave: دمج AudioSummarizer

الاستخراج الصوتي والتحويل الصوتي هي الآن إشارات منفصلة

```csharp
// AudioExtractionWave runs first (extracts audio track from video)
public class AudioExtractionWave : IVideoWave, ISignalAwareVideoWave
{
    public IReadOnlyList<string> RequiredSignals => [VideoSignals.VideoNormalized];
    public IReadOnlyList<string> EmittedSignals => ["audio.extracted", "audio.path"];

    public async Task ProcessAsync(VideoContext context, CancellationToken ct)
    {
        var audioPath = await _ffmpegService.ExtractAudioAsync(
            context.VideoPath, context.WorkingDirectory, ct);
        context.SetCached("audio.path", audioPath);
    }
}

// TranscriptionWave depends on audio.extracted signal
public class TranscriptionWave : IVideoWave, ISignalAwareVideoWave
{
    public IReadOnlyList<string> RequiredSignals => ["audio.extracted"];
    public IReadOnlyList<string> EmittedSignals => [
        VideoSignals.TranscriptionComplete,
        "transcription.utterance_count"
    ];

    public async Task ProcessAsync(VideoContext context, CancellationToken ct)
    {
        var audioPath = context.GetCached<string>("audio.path");

        // Run AudioSummarizer pipeline (Whisper + diarization)
        var audioProfile = await _audioOrchestrator.AnalyzeAsync(audioPath, ct);

        // Extract utterances with speaker info
        var turns = audioProfile.GetValue<List<SpeakerTurn>>("speaker.turns");
        foreach (var turn in turns ?? [])
        {
            context.Utterances.Add(new Utterance
            {
                Id = Guid.NewGuid(),
                Text = turn.Text,
                StartTime = turn.StartSeconds,
                EndTime = turn.EndSeconds,
                SpeakerId = turn.SpeakerId,
                Confidence = turn.Confidence
            });
        }

        // Run NER on full transcript for entity extraction
        var transcript = audioProfile.GetValue<string>("transcription.full_text");
        if (!string.IsNullOrEmpty(transcript))
        {
            var entities = await _nerService.ExtractEntitiesAsync(transcript, ct);
            context.SetCached("transcript_entities", entities);

            // Emit entity signals by type (PER, ORG, LOC, MISC)
            foreach (var group in entities.GroupBy(e => e.Type))
            {
                context.AddSignal($"transcript.entities.{group.Key.ToLowerInvariant()}",
                    group.Select(e => e.Text).Distinct().ToList());
            }
        }
    }
}
```

---


## تكامل NER: التعرف على الكائنات المسمى

VideoSummarizer يستخرج كيانات مكتوبة باسمها من transcripts باستخدام BERT-based NER M SK1ONNX).

### OnnxNerService

```csharp
public class OnnxNerService
{
    // Model: dslim/bert-base-NER (ONNX exported)
    // Entities: PER (Person), ORG (Organization), LOC (Location), MISC (Miscellaneous)

    public async Task<List<EntitySpan>> ExtractEntitiesAsync(string text, CancellationToken ct)
    {
        var entities = new List<EntitySpan>();

        // Chunk long text (BERT max 512 tokens)
        foreach (var chunk in ChunkText(text, maxTokens: 400, overlap: 50))
        {
            // Tokenize with WordPiece
            var tokens = _tokenizer.Tokenize(chunk);

            // Run ONNX inference
            var inputs = PrepareInputs(tokens);
            using var results = _session.Run(inputs);

            // Decode BIO tags
            var predictions = DecodePredictions(results);
            var chunkEntities = ExtractEntitySpans(tokens, predictions);

            entities.AddRange(chunkEntities);
        }

        // Deduplicate entities
        return entities
            .GroupBy(e => (e.Text.ToLowerInvariant(), e.Type))
            .Select(g => g.First())
            .ToList();
    }
}
```

**مخرج مثالي:**

```
Transcript: "Today we're speaking with John Smith from Microsoft about
their new AI lab in Seattle. The project, codenamed Phoenix, builds
on research from Stanford University."

Entities extracted:
  PER: John Smith
  ORG: Microsoft, Stanford University
  LOC: Seattle
  MISC: Phoenix

Signals emitted:
  transcript.entities.per = ["John Smith"]
  transcript.entities.org = ["Microsoft", "Stanford University"]
  transcript.entities.loc = ["Seattle"]
  transcript.entities.misc = ["Phoenix"]
```

**لماذا يهم NER في الفيديو:**

- فعّالة أسئلة مثل "بحث عن مقاطع فيديو تشير إلى مايكروسوفت"
- Links to DocSummarizer entity graph
- يقدم بيانات ملموسة بدون استنتاج LLM

---


## العديد -كتشيف مشاهد إشارات

استخدام مداخلات CLIP وحدها للكشف عن المشهد لا ينجح ' القضبان الضئيلة من ناحية التصميم ( واحدة لكل لقطة تغيير | ), | لكن اللقطات كثيفة |. | مع | | مداخلة | لـ | لقطة | ومداخلات | 6 | تغطية | و | 7 | تجمع مداخلي نقي ينتج فقط | ما | 8 | مشهد | movie | ساعت |

VideoSummarizer يستخدم **مقاربة إشارات متعددة -** الذي يجمع إشارات 4 مع وزنها للكشف القوي عن الحدود في المشهد

### SceneClusteringWave: Multi-ArchitectureSignal

```csharp
public class SceneClusteringWave : IVideoWave, ISignalAwareVideoWave
{
    // Signal weights for boundary scoring
    private const double EmbeddingWeight = 0.4;   // CLIP embedding dissimilarity
    private const double TranscriptWeight = 0.3;  // Semantic shift in transcript
    private const double CutTypeWeight = 0.2;     // Fade/dissolve detection
    private const double TemporalWeight = 0.1;    // Time since last scene

    // Temporal constraints
    private const double MinSceneDuration = 15.0;   // Don't split scenes < 15s
    private const double MaxSceneDuration = 300.0;  // Force split at 5 minutes
    private const double TargetSceneDuration = 90.0; // Prefer ~90s scenes

    public IReadOnlyList<string> RequiredSignals => [VideoSignals.ShotsDetected];
    public IReadOnlyList<string> OptionalSignals => [
        VideoSignals.ClipEmbeddingsReady,
        VideoSignals.TranscriptionComplete,
        VideoSignals.KeyframesDeduplicated
    ];
    public IReadOnlyList<string> EmittedSignals => [
        VideoSignals.ScenesDetected,
        "scene.count",
        "scene.avg_duration",
        "scene.clustering_method"
    ];

    private List<(int shotIndex, double score)> ComputeBoundaryScores(VideoContext context)
    {
        var shots = context.Shots.OrderBy(s => s.StartTime).ToList();
        var scores = new List<(int, double)>();

        // Build embedding map with nearest-neighbor interpolation
        var shotEmbeddings = PropagateEmbeddingsToNearbyShots(context, shots);

        // Build transcript windows for semantic shift detection
        var transcriptWindows = BuildTranscriptWindows(context, shots, windowSeconds: 10);

        for (int i = 0; i < shots.Count - 1; i++)
        {
            double score = 0;
            var currentShot = shots[i];
            var nextShot = shots[i + 1];

            // 1. Embedding dissimilarity (40%)
            if (shotEmbeddings.TryGetValue(i, out var currentEmbed) &&
                shotEmbeddings.TryGetValue(i + 1, out var nextEmbed))
            {
                var similarity = CosineSimilarity(currentEmbed, nextEmbed);
                score += (1.0 - similarity) * EmbeddingWeight;
            }

            // 2. Transcript semantic shift (30%)
            if (transcriptWindows.TryGetValue(i, out var currentWords) &&
                transcriptWindows.TryGetValue(i + 1, out var nextWords))
            {
                var overlap = currentWords.Intersect(nextWords).Count();
                var union = currentWords.Union(nextWords).Count();
                var jaccard = union > 0 ? (double)overlap / union : 0;
                score += (1.0 - jaccard) * TranscriptWeight;
            }

            // 3. Cut type signal (20%) - fades/dissolves suggest scene boundaries
            if (currentShot.CutType is "fade" or "dissolve")
            {
                score += CutTypeWeight;
            }

            // 4. Temporal pressure (10%) - encourage splits near target duration
            var timeSinceLastScene = currentShot.EndTime - GetLastSceneBoundary();
            if (timeSinceLastScene > TargetSceneDuration)
            {
                var pressure = Math.Min(1.0, (timeSinceLastScene - TargetSceneDuration) / 60);
                score += pressure * TemporalWeight;
            }

            scores.Add((i, score));
        }

        return scores;
    }
}
```

### الابتكارات الرئيسية

1. **أقرب -نشر مركبة جيران**: فقط ~2% من اللقطات لديها مداخلات CLIP مباشرة. المقاربة الجديدة تنشر المداخلات لطلقات قريبة خلال 30 ثواني باستخدام وزن القرب الزمنيM SK4

2. **النوافذ الدلالية للترجمة**: يبني 10- نافذة كلمة ثانية حول كل لقطة ويكشف التنقلات الدلالية من خلال المسافة عبر جاككارد بروكسة الهبوط الدلالي الرخيص | ( | تقليل النسخ |= | تغيير الموضوع | МSK4 | BM | 25 | يمكن استخدام النسخ أو الهبوط المدمج عندما يكون موجودا |

3. **إدراك نوع القطع**: الخفاء-toM SK2 التحولات السوداء والانحلال تشير بقوة إلى الحدود في المشهد , ترفع النتيجة الحدودية .

4. **الحد المتكيف**: عوضاً عن حد محدد, يختار الحدود من الأعلى 25% من الدرجات

5. **القيود المؤقتة**: يفرض الحد الأدنى 15 مشاهدته ويقوض حدوده في 5- अधिकतम دقيقة .

**مثال:**

```
Input: 1881 shots from a 2-hour movie
       39 keyframes with CLIP embeddings
       2302 utterances from transcript

Boundary scoring per shot:
  Shot 45-46: embedding=0.15, transcript=0.32, cut=0.0, temporal=0.0 → score=0.156
  Shot 46-47: embedding=0.08, transcript=0.12, cut=0.0, temporal=0.0 → score=0.068
  Shot 47-48: embedding=0.35, transcript=0.41, cut=0.2, temporal=0.05 → score=0.388 ← BOUNDARY
  ...

Adaptive threshold (top 25%): 0.25
Natural boundaries found: 45

Output: 47 scenes (avg 2.6 minutes per scene)
  - Min scene: 15.2s
  - Max scene: 298.4s
  - Total coverage: 100%

Signals:
  scenes.detected = true
  scene.count = 47
  scene.avg_duration = 156.3
  scene.clustering_method = "multi_signal_weighted"
```

---


## عقد إشارات الفيديو

VideoSummarizer يمد إتصال الإشارات من ImageSumMarizer و AudioSum marizer:

```csharp
public record VideoSignal
{
    public required string Key { get; init; }      // "scene.count", "transcript.entities.per"
    public object? Value { get; init; }
    public double Confidence { get; init; } = 1.0;
    public required string Source { get; init; }   // "SceneClusteringWave"

    // Video-specific: time range
    public double? StartTime { get; init; }
    public double? EndTime { get; init; }

    public DateTime Timestamp { get; init; }
    public Dictionary<string, object>? Metadata { get; init; }
    public List<string>? Tags { get; init; }       // ["visual", "scene"]
}

public static class VideoSignalTags
{
    public const string Visual = "visual";
    public const string Audio = "audio";
    public const string Speech = "speech";
    public const string Ocr = "ocr";
    public const string Motion = "motion";
    public const string Scene = "scene";
    public const string Shot = "shot";
    public const string Metadata = "metadata";
}
```

**الإشارات الرئيسية المنبعثة**

| إشارة | المصدر
|--------|--------|-------------|
| `video.duration` | أعادة موجة | مدة كاملة في ثواني |
| `video.resolution` | إحداث موجة طبيعية | عرض× طول |
| `video.fps` | موجة عادية | معدل الإطار |
| `shots.count` | موجة إكتشاف الرصاص | عدد الرصاصات التي تم إكتظافها
| `keyframes.count` | لوحة مفاتيح موجة استخلاص | لوحات مفاتح فريدة بعد التراجع |
| `keyframes.duplicates_skipped` | KeyframeExtractionWave | Frames filtered by dHash |
| `scene.count` | موجة الـ SceneClustering
| `transcript.entities.per` | موجة الترجمة | أسماء الأشخاص من النطاق الشمالي للطاقة النووية
| `transcript.entities.org` | موجة الترجمة | أسماء المنظمات |
| `transcript.word_count` | موجة التحويل | كل الكلمات في التحويل

---


## VideoPipeline: выход RAG

الـ `VideoPipeline` يحول إشارات الفيديو إلى `ContentChunk` لمؤشر RAG:

```csharp
public class VideoPipeline : PipelineBase
{
    public override string PipelineId => "video";
    public override IReadOnlySet<string> SupportedExtensions => new HashSet<string>
    {
        ".mp4", ".mkv", ".avi", ".mov", ".wmv", ".webm", ".flv", ".m4v", ".mpeg", ".mpg"
    };

    private List<ContentChunk> BuildContentChunks(VideoContext context, string filePath)
    {
        var chunks = new List<ContentChunk>();

        // 1. Scene-based chunks (best for video retrieval)
        foreach (var scene in context.Scenes)
        {
            var sceneText = BuildSceneText(context, scene);
            var embedding = context.GetCached<float[]>($"scene_centroid.{scene.Id}");

            chunks.Add(new ContentChunk
            {
                Text = sceneText,
                ContentType = ContentType.Summary,
                Embedding = embedding,  // Proper vector column, not metadata
                Metadata = new Dictionary<string, object?>
                {
                    ["source"] = "video_scene",
                    ["scene_id"] = scene.Id,
                    ["key_terms"] = scene.KeyTerms,
                    ["speakers"] = scene.SpeakerIds,
                    ["start_time"] = scene.StartTime,
                    ["end_time"] = scene.EndTime
                }
            });
        }

        // 2. Transcript chunks (1-minute windows)
        var transcriptChunks = BuildTranscriptChunks(context, filePath);
        chunks.AddRange(transcriptChunks);

        // 3. Text track chunks (on-screen text/subtitles)
        foreach (var textTrack in context.TextTracks)
        {
            chunks.Add(new ContentChunk
            {
                Text = $"On-screen text: {textTrack.Text}",
                ContentType = ContentType.ImageOcr,
                Metadata = new Dictionary<string, object?>
                {
                    ["source"] = "video_ocr",
                    ["text_type"] = textTrack.TextType.ToString(),
                    ["start_time"] = textTrack.StartTime
                }
            });
        }

        return chunks;
    }

    private string BuildSceneText(VideoContext context, SceneSegment scene)
    {
        var parts = new List<string>();

        if (!string.IsNullOrEmpty(scene.Label))
            parts.Add($"Scene: {scene.Label}");

        parts.Add($"[{FormatTime(scene.StartTime)} - {FormatTime(scene.EndTime)}]");

        if (scene.KeyTerms.Count > 0)
            parts.Add($"Topics: {string.Join(", ", scene.KeyTerms)}");

        // Add utterances in this scene
        var sceneUtterances = context.Utterances
            .Where(u => u.StartTime >= scene.StartTime && u.EndTime <= scene.EndTime)
            .OrderBy(u => u.StartTime);

        if (sceneUtterances.Any())
            parts.Add($"Speech: {string.Join(" ", sceneUtterances.Select(u => u.Text))}");

        return string.Join("\n", parts);
    }
}
```

**مخرج مثالي للفيلم:**

```json
{
  "chunks": [
    {
      "text": "Scene: Opening montage\n[0:00 - 2:34]\nTopics: city, night, traffic\nSpeech: The year is 2049. The world has changed.",
      "contentType": "Summary",
      "metadata": {
        "source": "video_scene",
        "scene_id": "abc123",
        "key_terms": ["city", "night", "traffic"],
        "start_time": 0.0,
        "end_time": 154.0
      }
    },
    {
      "text": "The detective arrived at the crime scene. Forensics had already processed the area.",
      "contentType": "Transcript",
      "metadata": {
        "source": "video_transcript",
        "time_window": "2:34 - 3:34",
        "utterance_count": 4
      }
    },
    {
      "text": "On-screen text: LOS ANGELES 2049",
      "contentType": "ImageOcr",
      "metadata": {
        "source": "video_ocr",
        "text_type": "Title"
      }
    }
  ]
}
```

---


## خصائص الأداء

### زمن المعالجة (2-صورة ساعةM SK1 1080p)

| المرحلة | الوقت | ملاحظات |
|-------|------|-------|
| بيانات ملموسة FF | ~2s
| إكتشاف الرصاص | MSC2s MSC3 فلتر مشهد FFmpeg S|
| إستخراج إطارات مفاتيح | ~30s | | | 500 | I |- | frames |
| تفكيك دوتة "dHash" | MSC2s MSC3 \MSC4 |MSC5 | MSC6 | إطارات | msc7
| مدمجة بطاقة CLIP |
| ImageSummarizer OCR
| إستخراج الصوت | MSC2s MSC3 FFmpeg msc4
| ترجمة صامتة | ~180s | | | |2 | ساعات الكلام |
| التلوث الصوتي | ~60s S| ECAPA-TDNN |
| استخراج النيترونات | ~10s | | | BERT |- | النيرونات على الطباعة |
| تجميع المشهد | ~5s S| \|
| مولد الأدلة | ~2s SSK3
| **كل** | **~8-10 دقائق** | |

### بدون تحسينات

| تحسين | توفير |
|--------------|---------|
| تفكيك دوتنه dHash | ~40% إطارات تلقح МSK3 ♫~24s حفظ الاقتران ♫ |
| توصيل بطاقة | 3-5x أسرع = | | ~180 | حفظت ||
| تركيب أنابيب | استخدام ImageSummarizer
| **الادخار الكلي** | **~3-4 دقائق** |

### استخدام الذاكرة

| مكون | الذاكرة |
|-----------|--------|
| CLIP ViT
| قاعدة الشم | MSC2MB MSC3
| ECAPA-TDNN
| BERT-NER | ~500MB |
| **القمة** | **~1.5GB** |

---


## التكامل مع lucidRAG

يسجل الفيديو سوممارزر كـ `IPipeline` للتوجيهات الآلية:

```csharp
// In Program.cs
builder.Services.AddDocSummarizer(builder.Configuration.GetSection("DocSummarizer"));
builder.Services.AddDocSummarizerImages(builder.Configuration.GetSection("Images"));
builder.Services.AddVideoSummarizer();  // NEW
builder.Services.AddPipelineRegistry(); // Must be last

// Auto-routing by extension
var registry = services.GetRequiredService<IPipelineRegistry>();
var pipeline = registry.FindForFile("movie.mp4");  // Returns VideoPipeline
var result = await pipeline.ProcessAsync("movie.mp4");
```

**التوسعات المدعمة:**

- `.mp4`, `.mkv`, `.avi`, `.mov`, `.wmv`, `.webm`, `.flv`, `.m4v`, `.mpeg`, `.mpg`

---


## ما تحصل عليه

- **Scene-جزء RAG المستوى**: Segments coherents with transcripts, key termsM SK2 speaker IDs
- **أدلة مُعدية**: مرئية ( مداخلات الإطار السفلي ), صوتية | | ( | تحوي المتكلمين |), | نص |
- **الوحدات المسمولة**: الناسM SK1 المنظمات, المواقع من transcript NER
- **provenance قابل للaudit**: كل إشارة لديها موجة المصدر , ثقة
- **المعالجة الفعالة**: 10-15 دقائق لـ 2- فيلم ساعة ( لا ساعات

## ما تكلفه

- **~1.5GB حافظة GPU** لكل نماذج ONNX
- **~8-10 معالجة الدقيقة** لكل 2- ساعة من الفيلم
- **فضاء الحاسوب** للدوتنې الوسطى (تم تنظيفها تلقائياً)
- **التعقيد**: تنظيم ثلاثة أنابيب يتطلب فهم إعتماد الأمواج

---


## الاستنتاجات

ويعرض الفيديو سوممارزر أن **تركيب خطوط الأنابيب** الدرجات

1. **إعادة استخدام خطوط الأنابيب المتخصصة**: Don't reinvent ImageSummarizer or AudioSommarizerchain them
2. **فلتر قبل عمليات مكلفة**: تكاليف تقليل هش <1ms, توفر 40% من استنتاج CLIP
3. **عمليات بطاقة GPU**: 8 صور لكل تمرير
4. **استخرج الهيكل قبل المحتوى**: اللقطات → المشاهد → الأدلة ( ليست إطارات خامة | → | LLM | )
5. **إدارة النماذج البطيئة**: تحميل النماذج فقط عند الحاجة, الكشف عن GPU تلقائيا
6. **التوجيه التفاعلي**: عمل الطريق إلى المكونات المتاحة, التراجع بجمال

والنتيجة : فيلم ساعتي 2- يتحول إلى مسجل إشارات بنائي مع مشاهد ,, , Transcripts , , , Entities ., , and embeddingsready for RAG queries like .

- "أبحث عن المشاهد التي يناقش فيها جون سميث مايكروسوفت
- "أظهر مقاطع الفيديو مع النص على الشاشة - عن مشروع فينكس
- "ابحث عن مقاطع فيديو متشابهة مع هذه المشهد" (CLIP تداخل البحثM SK3

**نمط RAG المنخفض لفيديو:**

```
Ingestion:  Video → 16 waves → Signals + Evidence (scenes, transcripts, entities)
Storage:    Signals (indexed) + Embeddings (CLIP, voice) + Evidence (chunks)
Query:      Filter (SQL) → Search (BM25 + vector) → Synthesize (LLM, ~5 results)
```

**نظام القدرات:**

```
Startup:    Detect GPU → Load ModelManifest (YAML) → Initialize SignalSink
Activation: Component requests model → Lazy download → Signal "ModelAvailable"
Routing:    Route to best provider → Fallback chain → Backpressure control
Atoms:      Rate limiting + Time estimation + Pipeline balancing
```

هذا هو **الغموض المقيد** على المقياس:

- **مكونات الإحتمالية تقترح إشارات**: مداخلات (CLIP), فرضيات الرسم البياني
- **التقييم الإفتراضي يجمع الهيكل**: نقاط الحدود المُزنة, اختيار الحد الفاصلM SK2 القيود الزمنية
- **LLM (optional) ينتج من الأدلة**: السياق المحدود, provenance قابل للتحقق

الـ LLM يعمل على ما قبل - "الدلائل الحاسوبية" وليس الفيديو الخام"

---


## الموارد

### الوثائق لـ lucidRAG

- **[مكتبة الفيديو سومرزر](https://github.com/scottgal/lucidrag/tree/main/src/VideoSummarizer.Core)** - شفرة المصدر
- **[مستندات NER](https://github.com/scottgal/lucidrag/blob/main/docs/NER_EXTRACTION_DEDUPLICATION.md)** - هيكلة إستخراج Entity

### المكتبات المرتبطة

- **[ImageSummarizer](https://github.com/scottgal/lucidrag/tree/main/src/ImageSummarizer.Core)** - أنابيب الذكاء البصري
- **[AudioSummarizer](https://github.com/scottgal/lucidrag/tree/main/src/AudioSummarizer.Core)** - أسلاك صوتية جنائية
- **[DocSummarizer](https://github.com/scottgal/lucidrag/tree/main/src/Mostlylucid.DocSummarizer.Core)** - أنابيب مستندة

### نماذج أونكس

- **[قفز ViT-B/32](https://huggingface.co/openai/clip-vit-base-patch32)** -បង្កيات بصرية
- **[ECAPA-TDNN](https://huggingface.co/Wespeaker/wespeaker-ecapa-tdnn512-LM)** - Speaker embeddings
- **[BERT-NER](https://huggingface.co/dslim/bert-base-NER)** - التعرف على الكيان المسمى
- **[تصرخ](https://github.com/openai/whisper)** - نسخ الكلام

### المقالات المرتبطة

**الأنماط الأساسية:**

- **[تقلل من RAG](https://www.mostlylucid.net/blog/reduced-rag)** - النمط الأساسي
- **[نمط الغموض المقيد](/blog/constrained-fuzziness-pattern)** - النمط الأساسي

**تطبيقات RAG المنخفضة**

- **[DocSummarizer](/blog/building-a-document-summarizer-with-rag)** - لاسوند RAG مع استخراج الوحدات
- **[ImageSummarizer](/blog/constrained-fuzzy-image-intelligence)** - RAG لتصوير الصور مع 22- حواس بصري موجي
  - **[خط ثلاثي -Tier OCR](/blog/constrained-fuzzy-image-ocr-pipeline)** - ارتفاع مستوى الـOCR
- **[AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization)** - التصنيف الصوتي الجنائي
- **VideoSummarizer (this article)** - المنظم لعلوم الفيديو
- **[المزيج للبيانات](/blog/datasummarizer-how-it-works)** - رسم البيانات و إستنتاج الرسم البياني

---


## السلسلة

| جزء | نمط | تركيز |
|------|---------|-------|
| 1 | [الغموض المقيد](/blog/constrained-fuzziness-pattern) | عنصر واحد |
| 2 | [MoM مقيدة](/blog/constrained-mom-mixture-of-models) | أجزاء متعددة |
| 3 | [سحب السياق](/blog/constrained-fuzzy-context-dragging) | الوقت / الذاكرة |
| 4 | [ذكاء الصورة](/blog/constrained-fuzzy-image-intelligence) | فن العمارة الموجية, 22 موجات |
| 4.1 | [خط ثلاثي -Tier OCR](/blog/constrained-fuzzy-image-ocr-pipeline) | OCRM SK1 نماذج ONNX, شرائح الأفلام |
| 4.2 | [AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization) | الصوت القضائي, تشلل السماعة |
| **4.3** | **VideoSummarizer (this article)** | **الأوركستريشن التلفزيوني, بستة CLIP, NER** |

**التالي**: متعددة-رسم بياني مدوئي RAG مع lucidRAG يجمع كل الأربعة ملخصات إلى رسم بياني علمي موحد مع متقاطعةM SK2ربط الكيان المدوئي .

كل الأجزاء تتبع نفس المتغير: **مكونات الإحتمالية تقترح ; أن الأنظمة الثابتة تستمر**.