Status: I utveckling som en del av lucidRAG. källa: github.com/scottgalM SK2lucidrag

Där det passar: VideoSummarizer är musiker av lucidRAG family, som kombinerar tre banor till en enificerad videoanalysmotor

• DocSummarizer - Dokument väsenextraktion
• ImageSummarizer - Bilder 22- vågvisual intelligens
• AudioSummarizer - Audio akustisk profilering, högtalare diariseringM SK3 transkriptionMSC4
• Videosummarizer (den här artikeln )
• DataSummarizer - Data | | skemasuppfattning | , | profilering | МSK3

Alla följer samma princip Reduzerad RAG-mönster: 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 och AudioSummarizer, 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 OpenAI's motstridiga språk -Image Pre-trainingM SK3 genererar | 512-dimensionella inbäddar som koder visuell semantik
• Skratt OpenAIs speech recognition model , ', transkriberar ljud till text med timmar
• BERT-NER Named Entity Recognition
• Runtime på ONNX 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 - Kernmuten
• Begränsad otydighetsmönster - Grundmuten
• Reduzerade RAG implementeringar:
  • DocSummarizer - Dokument RAG med enhetens extraktion
  • ImageSummarizer - Image RAG med 22- vågvisual intelligens
  • AudioSummarizer - Audio rättsmedicinsk karakterisering
  • VideoSummarizer (den här artikeln ) - Videointelligens orkestrator

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 för video med tre stegsreduktion

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

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

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 :

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

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.yamlinga magiska strängar i kod:

# 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]

// 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.

// 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

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

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

// 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

// 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

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

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:

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:

VideoPipeline : RAG utgång

Den VideoPipeline omvandlar videosignaler till ContentChunk för RAG-indexering:

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:

{
  "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

Utan optimeringar

minnesanvändning

Integrering med lucidRAG

VideoSummarizer registrerar IPipeline för automatisk vägledning:

// 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 - källkod
• NER Dokumentation - Entity extraction architecture

Förknippade bibliotek

• ImageSummarizer - Linjer för visuell intelligens
• AudioSummarizer - Audio rättsmedicinsk pipeline
• DocSummarizer - Dokumentet

NX-modeller

• CLIP ViT-B/32 - Visuella inbäddar
• ECAPA-TDNN - Speaker-inbäddar
• BERT-NER - Namd entity recognition
• Skratt - Röntgen

Related Articles

Korallpatroner:

• Reduzerad RAG - Kernmuten
• Begränsad otydighetsmönster - Grundmuster

Reduzerade RAG implementeringar:

• DocSummarizer - Dokument RAG med enhetens extraktion
• ImageSummarizer - Image RAG med 22- vågvisual intelligens
  • Tre-Tier OCR Pipeline - OCR-skalation
• AudioSummarizer - Audio rättsmedicinsk karakterisering
• VideoSummarizer (den här artikeln ) - Videointelligens orkestrator
• DataSummarizer - Dataprofilering och schemasuppfattning

Serien

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.