# VideoSummarizer: Reduktion av RAG för video | ( | Sprängar |→ | Ständer | МSK3 | Evidens

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

> **Status**: I utveckling som en del av [lucidRAG](https://www.lucidrag.com).
> **källa**: [github.com/scottgalM SK2lucidrag](https://github.com/scottgal/lucidrag)

**Där det passar**: VideoSummarizer är **musiker** av [lucidRAG](https://www.lucidrag.com) family, som kombinerar tre banor till en enificerad videoanalysmotor

- **[DocSummarizer](/blog/building-a-document-summarizer-with-rag)** - Dokument  väsenextraktion
- **[ImageSummarizer](/blog/constrained-fuzzy-image-intelligence)** - Bilder 22- vågvisual intelligens
- **[AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization)** - Audio  akustisk profilering, högtalare diariseringM SK3 transkriptionMSC4
- **Videosummarizer** (den här artikeln )
- **[DataSummarizer](/blog/datasummarizer-how-it-works)** - Data |  | skemasuppfattning | , | profilering | МSK3

Alla följer samma princip **[Reduzerad RAG-mönster](/blog/reduced-rag)**: extraherar signaler en gång , sparar bevis , syntetiseras med begränsad LLM-input

---


Att bearbeta ett tvåtimmarsfilmframe med CLIP-inbäddar skulle ta timmar och kosta hundratals dollar i beräkningen.

**VideoSummarizer löser detta med tre viktiga optimeringar:**

1. **Perceptuella hash-duplikationer** - Gå över visuellt liknande bilder innan det är dyrt.
2. **Batch CLIP embedding** - Process 8 bilder per GPU-pass istället för ett
3. **Pipelinekomposition** - KettbildSummariser för nyckelrammor , AudioSummarer för tal

Resultatet : en 2- timmars filmprocesser i ♫ ~10-15 ♫ minuter ♫ МSK3 ♫ inte timmar ♫. ♫ Samma arkitekturprinciper som [ImageSummarizer](/blog/constrained-fuzzy-image-intelligence) och [AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization), men sammansatt till en enificerad videoanalysrör

> **Kerninsikten:** Video är bilder + ljud + text. Processera varje domain med specialiserade verktygM SK3 sammanfoga resultaten till coherenta scener
> 
> - **Prosesstruktur först** (
> - **Extrahera kors---modella signaler en gång** (

**Terminologi:**

- **Stängning** kameran tar mellan skärmar (strukturell , från FFmpeg-scendetektorn
- **Szenen** en sammanhängande grupp av shots som bildar en koherent enhet (semantiskt
- **Evidens**  `(start_time, end_time)` + signaler + pekar + provenance

**Nyckel ML-modeller användes:**

- **[CLIP](https://openai.com/research/clip)** OpenAI's motstridiga språk -Image Pre-trainingM SK3 genererar | 512-dimensionella inbäddar som koder visuell semantik
- **[Skratt](https://openai.com/research/whisper)** OpenAIs speech recognition model , ', transkriberar ljud till text med timmar
- **[BERT-NER](https://huggingface.co/dslim/bert-base-NER)** Named Entity Recognition
- **[Runtime på ONNX](https://onnxruntime.ai/)** Cross-platform ML inference

Detta artikel omfattar:

- Hur VideoSummarizer orkestrerar tre pipeliner (ImageSommarizerM SK1 AudioSummarzer , NER)
- Bandstrukturen : 16 vågor från normalisering till bevisgenerering
- **Kapacitetssystem**: Mindiga modelldownloadsM SK1 GPU-detektorn , reaktiv routing
- Batch CLIP optimering för keyframe-inbäddar (3-5x snabbareM SK1
- Perceptuell hash-duplikering (40% ramreduktionM SK1
- Multi-signal scenclustering (inbäddar + transkription + klipptyp + temporell )
- NER-integration för enhetens extraktion från transkriptioner
- **Äphemerala atomer** för hastighetsbegränsning, ,, tidsestimation och baktryck
- utgång : scener, shots, transkriptionerM SK3 textspår som RAG-bevis

**Related articles**:

- **[Reduzerad RAG](https://www.mostlylucid.net/blog/reduced-rag)** - Kernmuten
- **[Begränsad otydighetsmönster](/blog/constrained-fuzziness-pattern)** - Grundmuten
- **Reduzerade RAG implementeringar:**
  - [DocSummarizer](/blog/building-a-document-summarizer-with-rag) - Dokument RAG med enhetens extraktion
  - [ImageSummarizer](/blog/constrained-fuzzy-image-intelligence) - Image RAG med 22- vågvisual intelligens
  - [AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization) - Audio rättsmedicinsk karakterisering
  - **VideoSummarizer (den här artikeln )** - Videointelligens orkestrator

[TOC]

---


## Problemet: Video är dyrt

> **Benchmarks**: siffrorna härnäst mätta på AMD | 9950 | X | (16- | core | mm3 | MM4 | NVIDIA A | MB5 | GB | MC7 | MB8 | RAM | MT9 | NVMe | TM11 | PM12 | p H | MS13 | viskningsgrund |MS14 | dina hastigheter varierar

En typisk film innehåller:

- **Framer ~170,000** (2 timmar vid 24fps)
- **~2 timmar av ljud** (
- **Flera textlag** (, undertitel, ,, krediter, , på -, text på skärmen

Strawman-metoden "(", ingen gör det, men den sätter skalan.

- CLIP-bäddar per bild: M SK1ms × | | **9.4 timmar**
- Vision LLM per bild **94 timmar** (cloud Vision API-ballpark

Till och med med att extrahera nyckelframe: (, säg ,, 500-1000, frammarmor, ),, så är ' fortfarande 100-200, sekunder av serie CLIP-förklaringen

**Den traditionella metoden**: "Extraktera nyckelframer, skicka till Vision LLM

**Problemet**: Det här bränner beräkningar på överskottiga ramar ( många nyckelrammar är visuellt lika

**Lösningen**: Multimpl.

---


## VideoSummarizers arkitektur

VideoSummarizer implementeringar **[Reduzerad RAG](/blog/reduced-rag)** för video med tre stegsreduktion

```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
```

### bevisartefakter producerade

Innan man dyker in i implementeringen

| Artifakt ♫ ♫ | ♫ Keyfields ♫
|----------|------------|--------|
| **Szenen** | `id`, `start_time`, `end_time`, `key_terms[]`, `speaker_ids[]`, `embedding[512]` | SceneClusteringWave  |
| **Stängning** | `id`, `start_time`, `end_time`, `cut_type`, `keyframe_path` | ShotDetectionWave  |
| **Upptalande** | `id`, `text`, `start_time`, `end_time`, `speaker_id`, `confidence` | Transkriptionsvåg  |
| **Textrack** | `id`, `text`, `start_time`, `text_type` (
| **Nyckelframe** | `id`, `timestamp`, `frame_path`, `dhash`, `clip_embedding[512]` | KeyframeExtractionWave

Varje artefakt **ursprung**: källvåg, , bearbetande tidpunkt, , självförtroende poäng, M SK3 Det här är den | " | bevisboklet | МSK5 | som nedströms RAG-fragen använder på

### Signalen, -, medvetna vågrör

VideoSummarizer använder en **signal-baserad vågstruktur** där varje våg deklarerar sina signalkontrakt explicit

```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; }
}
```

Detta gör det möjligt **dynamiska vågkoordinationer**:

- vågor hoppar automatiskt om de behövs signalerna saknas
- Abhängelser löser vid starttid ( ingen hårdkoderad ordning )
- Delliga repetitioner är återskapbara (kass genom signalnycklar)
- Interfejsgranularitet i framsteg: varje våg avger framstegen självständigt

### The 16-Wave Pipeline

Keyframe extraktion implementeras som 7 granulära vågor för bättre parallellism och kasseffektivitet :

| Wella | | | Prioritering ♫ | | Erfordrar ♫
|------|----------|----------|-------|------|
| **Normalisera våg** | 1000 | - | `video.duration`, `video.fps`, `video.normalized` | ~2s  |
| **FFmpegShotDetectionWave** | 900 | `video.normalized` | `shots.detected`, `shots.count` | ~5-10s  |
| **IFrameDetectionWave** | 850 | `video.normalized` | `keyframes.iframes_detected`, `keyframes.iframes_count` | ~3s  |
| **KeyframeSelectionWave** | 840 | `shots.detected`, `keyframes.iframes_detected` | `keyframes.selected`, `keyframes.selected_count` | ~1s  |
| **Dumbnail-Extraktionsvåg** | 830 | `keyframes.selected` | `keyframes.thumbnails_extracted` | ~5s  |
| **KeyframeDeduplicationWave** | 820 | `keyframes.thumbnails_extracted` | `keyframes.deduplicated`, `keyframes.duplicates_skipped` | ~1s  |
| **KeyframeFullResExtractionWave** | 810 | `keyframes.deduplicated` | `keyframes.extracted`, `keyframes.count` | ~10s  |
| **ClipEmbeddingWave** | 800 | `keyframes.extracted` | `clip.embeddings_ready`, `clip.embeddings_count` | ~30s  |
| **Bildanalysvåg** | 790 | `keyframes.deduplicated` | `keyframes.analyzed`, `ocr.extracted` | ~60s  |
| **TitelCreditsDetectionWave** | 750 | `shots.detected` | `title.detected`, `credits.detected` | ~5s  |
| **AudioExtractionWave** | 650 | `video.normalized` | `audio.extracted`, `audio.path` | ~30s  |
| **Transkriptionsvåg** | 600 | `audio.extracted` | `transcription.complete`, `transcription.utterance_count` | ~120s  |
| **SubtitleExtractionWave** | 550 | `video.normalized` | `subtitles.extracted` | ~2s  |
| **KapitelExtraktionsvåg** | 500 | `video.normalized` | `chapters.extracted` | ~1s  |
| **SceneClusteringWave** | 400 | `shots.detected` | `scenes.detected`, `scene.count` | ~5s  |
| **EvidenceGenerationWave** | 100 | `scenes.detected` | `evidence.generated` | ~2s  |

**Märkter:**

- ImageAnalysisWave använder `keyframes.deduplicated` (utan fullaM SK1res): OCR körs på thumbnailbildern ; synskapatisering använder fulla~-res när det är tillgängligt via förmågasriktning
- Rördor 3-7 är de "keyframe extraktionen | " | sub | - | pipeline |(7 | granulära vågor för kasseffektivitet

**Total för 2-timmar film**: ~10-15 minuter ( vs . timmar utan optimering

### Bra-Known Signalkeys

Signaler definieras som konstanter för konsistens

```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";
}
```

---


## Kapacitetssystem: Lazy Models & Routing

VideoSummarizer använder en **förmåga-baserad arkitektur**: upptäcka GPU en gång på startup , ladda ned modeller långsamt M SK2 skicka vägen till tillgängliga komponenter .

### Modellmanifest (YAML + Typ-säkra konstanterM SK3

Modeller definieras i `models.yaml`inga magiska strängar i kod:

```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)
});
```

### Pipelineeffektivitetsatomer

Tempolimitering, ,, tidsestimation och anpassningsbar baktryck gör att gränssnittet reagerar medan det maximerar hastigheten.

```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
```

> **Full-capability systemdocs**: Se `Mostlylucid.Summarizer.Core/Capabilities/` för GPU-detektorn , signalpub/sub, baktryckskontrollerM SK3 och nättopologidesign

---


## Nyckeloptimering 1: Perceptual Hash Deduplication

Innan expensive CLIP embeddings körs, VideoSummarizer filtrerar ut visuellt liknande bilder med **skillnad hash (dHashM SK1**.

### Hur dHash fungerar

```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);
}
```

**exempel utgång:**

```
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
```

**Varför är detta viktigt:**

- **~40% ramreduktion** om typiskt innehåll
- **<1ms per bild** för hashberäkningar (vs. 200ms för CLIP
- Filterar överskottsframmar **före** dyra GPU-operationer

---


## Nyckeloptimering 2: Batch CLIP Embedding

Istället för att processa ett bild i taget

### Batch Processing Architecture

```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;
    }
}
```

**Förhållande jämförelse:**

```
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
```

**Varför lagerbehandling fungerar:**

- GPU-parallelism är underanvänd med en enkel imagesuppfattning
- Batch tensor `[8, 3, 224, 224]` använder samma GPU-minne som en enkel bild (minnerst)
- ONNX Runtime optimerar paketoperationer internt

---


## Nyckeloptimering 3: Pipelinekomposition

VideoSummarizer doesn' reinventera ImageSommarizer eller AudioSum marizerit **kedjor** dem.

### Keyframe Sub-Pipeline: ImageSummarizer Integration

Keyframe extraktionen är uppdelad till: 7 granulära vågor | ( | se vågtabellen ovanför | МSK2 | Här |' | ser man koordineringsmönstret som visar hur de knyter ihop

```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: AudioSummarizer integration

Audioextraktion och transkription är nu separata signaler

```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());
            }
        }
    }
}
```

---


## NER integration : Named Entity Recognition

VideoSummarizer extraherar namngeda enheter från transkriptioner med hjälp av BERT-based NER (ONNX).

### 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();
    }
}
```

**exempel utgång:**

```
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"]
```

**Varför är NER viktigt för video**

- Aktiverar frågor som " Hitta filmer som nämner Microsoft"
- Links till DocSummarizer-enhetens graf
- Geer strukturerade metadata utan LLM-förklaring

---


## Multi-Signal scenklaster

Att använda CLIP-inbäddar enbart för scendetektorer fungerar inte bra.Kysselframer är sparse i design. (, en förändring per shot, ),, men bilderna är täta.., med inbäddar för 1881, bilder och (~2%, ytor.

VideoSummarizer använder en **multi-signalmetod** som kombinerar 4 viktade signaler för robust scengränsdetektion

### SceneClusteringWave: Multi

```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;
    }
}
```

### Nyckelinnovationer

1. **Närmsta-Nämre Embedding Propagation**: Bara ♫ ~2% ♫ av skott har direkt CLIP-inbäddar ♫. ♫ Den nya metoden sprider inbäddarna till närliggande skott inom ♫

2. **Syntaxfenster**: Konstruerar ♫ 10- ♫ sekunds ordfenster runt varje bild och upptäcker semantiska förändringar via Jaccard avstånda billiga semantisk drift-proxy ♫

3. **Avsikt om skärningstyp**: FlödaM SK1 till - svarta och lösta förändringar visar starkt scengränser

4. **Anpassningsbar tröskel**: Istället för en bestämd tröskel, selecterar , gränser från toppen.

5. **Tydliga begränsningar**: Kräver minimala 15 scener och kräver gränser vid ♫ 5- ♫ maximala minuter ♫

**exempel:**

```
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"
```

---


## Videosignalkontraktet

VideoSummarizer utökar signalkontraktet från ImageSommarizer och 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";
}
```

**Emiterade nyckelsignaler:**

| Signal | källa | Beschreibung |
|--------|--------|-------------|
| `video.duration` | Normalisera våg ♫ ♫ | ♫ Hela tiden i sekunder ♫
| `video.resolution` | Normalisera våg ♫ | ♫ Ytan ♫
| `video.fps` | Normalisera våg | Ramphastighet |
| `shots.count` | ShotDetectionWave
| `keyframes.count` | KeyframeExtractionWave
| `keyframes.duplicates_skipped` | KeyframeExtractionWave
| `scene.count` | SceneClusteringWave
| `transcript.entities.per` | Transkriptionsvåg | Personernas namn från NER |
| `transcript.entities.org` | TranscriptionWave | Organisations namn |
| `transcript.word_count` | Transkriptionsvåg | Totala ord i transkriptionen |

---


## VideoPipeline : RAG utgång

Den `VideoPipeline` omvandlar videosignaler till `ContentChunk` för RAG-indexering:

```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);
    }
}
```

**Ett exempel på utgången till en film:**

```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"
      }
    }
  ]
}
```

---


## Förmågor och egenskaper

### Verarbeitungstid (2-timmarfilm, 1080pM SK3

| Etappe | | | tid | | | anteckningar | МSK3
|-------|------|-------|
| FFprobe-metadata
| Stängddetektorn | ♫ ♫ ~10 ♫ s ♫ МSK3 ♫ FFmpeg scenfilter ♫
| Keyframe extraktion | | | ~30 | 3 | 4 | I | 5 | frammänder
| dHash-deduplikation | ♫ ♫ ~0.5 ♫ s ♫
| Batch CLIP embedding | | ~60 | S | | 3 | 4 | Framer | 5 | Batch | 6 | 7
| ImageSummarizer OCR
| Audioextraktion | ~30s | FFmpeg |
| Skryftöversättning | ~180s M| | | 4 | tal timmar | | |
| Speaker diarization | ~60s M| ECAPAM SK4TDNN МSK5
| NER extraktion | ~10s M| BERT
| Synkronisering av scenrymter | | ~5 | S | | 3 | 4
| Evidens generering
| **Totala** | **~8-10 minuter** | |

### Utan optimeringar

| Optimering
|--------------|---------|
| dHash-deduplikation ♫ | ♫ ♫ ~40% ♫ framfilterade ♫ МSK3 ♫
| Batch CLIP
| Pipelinekompositionen | Återanvänder ImageSummarizer | | / | AudioSommarizervågor
| **Hela besparingarna** | **~3-4 minuter** |

### minnesanvändning

| Komponent | minne |
|-----------|--------|
| CLIP ViT
| Skryfbasen | ~500MB |
| ECAPA
| BERT
| **Peak** | **~1.5GB** |

---


## Integrering med lucidRAG

VideoSummarizer registrerar `IPipeline` för automatisk vägledning:

```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");
```

**Ondersteunde förlängningar:**

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

---


## Vad du får

- **Scene-nivå RAG chunks**: Kohärentade segment med transkriptioner
- **Multi---modella bevis**: visuell (keyframe-inbäddar), ljud ( högtalare diarisering
- **Namerade enheter**: Människor , organisationer , plats från transkriptionen NER
- **Rättsväsendet**: Varje signal har källvågen , tillit
- **Effektiv bearbetning**: 10-15 minuter för en 2-timmarsfilm

## Vad det kostar

- **~1.5GB GPU minne** för alla ONNX-modeller
- **~8-10 minutes processing** per 2-timmar film
- **Diskens utrymme** för mellan filer ( städat upp automatiskt )
- **Kompleksitet**: Att orkestrera tre banor kräver förståelse för vågs beroenden

---


## Slutsatsen

VideoSummarizer demonstrerar att **ledningskomposition** skalor:

1. **Att återanvända specialiserade ledningar**: Don ' kan inte återskapa ImageSummarizer eller AudioSommarizer
2. **Filter före dyra operationer**: dHash-deduplikeringskostnader <1msM SK2 sparar 40% av CLIP-förklaringar
3. **Batch GPU-operationer**: 8 bilder per gång
4. **Extrahera struktur före innehållet**: Stängningar → Syner ♫ ♫ → ♫ Evidens ♫
5. **Lazy-modellstyrning**: Lade upp modeller bara när det behövs , upptäcker GPU automatiskt
6. **Reaktivt riktning**: Routering till tillgängliga komponenter , fallback elegant

Resultatet är att en : timmesfilm blir en strukturerad signalbok med scener, transkriptioner, ,, enheter och inbäddar, redo för RAG-sökningar som

- " Hitta scener där John Smith diskuterar Microsoft
- " visa klipp med påscreen text om Phoenix projekt
- "Finda filmer som är liknande denna scen

**Reduzerad RAG-mönster för video:**

```
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)
```

**Kapacitetssystemet:**

```
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
```

Det här är **Begränsad otydighet** i skala:

- **Probabilistiska komponenter föreslår signaler**: Embeddinger (CLIPM SK2 OCR-hypoteser
- **Deterministisk scoring monterar struktur**: viktade gränsvärder , tröskelselektion
- **LLM (optional) syntetiseras utifrån bevis**: begränsad kontext

LLM arbetar på förutfattade "-", beräkningsberättelser , inte råvideon .

---


## resurser

### lucidRAG Dokumentation

- **[VideoSummarizer Library](https://github.com/scottgal/lucidrag/tree/main/src/VideoSummarizer.Core)** - källkod
- **[NER Dokumentation](https://github.com/scottgal/lucidrag/blob/main/docs/NER_EXTRACTION_DEDUPLICATION.md)** - Entity extraction architecture

### Förknippade bibliotek

- **[ImageSummarizer](https://github.com/scottgal/lucidrag/tree/main/src/ImageSummarizer.Core)** - Linjer för visuell intelligens
- **[AudioSummarizer](https://github.com/scottgal/lucidrag/tree/main/src/AudioSummarizer.Core)** - Audio rättsmedicinsk pipeline
- **[DocSummarizer](https://github.com/scottgal/lucidrag/tree/main/src/Mostlylucid.DocSummarizer.Core)** - Dokumentet

### NX-modeller

- **[CLIP ViT-B/32](https://huggingface.co/openai/clip-vit-base-patch32)** - Visuella inbäddar
- **[ECAPA-TDNN](https://huggingface.co/Wespeaker/wespeaker-ecapa-tdnn512-LM)** - Speaker-inbäddar
- **[BERT-NER](https://huggingface.co/dslim/bert-base-NER)** - Namd entity recognition
- **[Skratt](https://github.com/openai/whisper)** - Röntgen

### Related Articles

**Korallpatroner:**

- **[Reduzerad RAG](https://www.mostlylucid.net/blog/reduced-rag)** - Kernmuten
- **[Begränsad otydighetsmönster](/blog/constrained-fuzziness-pattern)** - Grundmuster

**Reduzerade RAG implementeringar:**

- **[DocSummarizer](/blog/building-a-document-summarizer-with-rag)** - Dokument RAG med enhetens extraktion
- **[ImageSummarizer](/blog/constrained-fuzzy-image-intelligence)** - Image RAG med 22- vågvisual intelligens
  - **[Tre-Tier OCR Pipeline](/blog/constrained-fuzzy-image-ocr-pipeline)** - OCR-skalation
- **[AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization)** - Audio rättsmedicinsk karakterisering
- **VideoSummarizer (den här artikeln )** - Videointelligens orkestrator
- **[DataSummarizer](/blog/datasummarizer-how-it-works)** - Dataprofilering och schemasuppfattning

---


## Serien

| del | mönster ♫ ♫ | ♫ Fokus ♫
|------|---------|-------|
| 1 | [Begränsad otydighet](/blog/constrained-fuzziness-pattern) | Enkel komponent |
| 2 | [Begränsad Fuzzy MoM](/blog/constrained-mom-mixture-of-models) | Flera komponenter |
| 3 | [Kontext dragning](/blog/constrained-fuzzy-context-dragging) | tid / minne |
| 4 | [Bildintelligens](/blog/constrained-fuzzy-image-intelligence) | Rymdenstrukturen, 22 vågor |
| 4.1 | [Tre-Tier OCR Pipeline](/blog/constrained-fuzzy-image-ocr-pipeline) | OCR
| 4.2 | [AudioSummarizer](/blog/audiosummarizer-forensic-audio-characterization) | rättsbiståndsljud , högtalare diarisering
| **4.3** | **VideoSummarizer (den här artikeln )** | **Videoorchester , paket CLIP, NER** |

**Nästa**: Multi-motorisk graf RAG med lucidRAGkoppelar alla fyra sammanfattare till en enificerad kunskapsgraf med korsning

Alla delar följer samma invariant **sannolikhetskomponenter föreslår ; deterministiska system förblir kvar**.