AI 看一遍视频，每个场景写一句描述
拖进一个 MP4 或 MOV，AI 按场景告诉你每个镜头拍了什么，每段都带时间码，可以直接复制，也能存成文本或字幕。免费，视频不出你的电脑。
文件只在这个浏览器标签页里处理，不会传到任何服务器。第一次用会从 Hugging Face 下载 AI 模型并缓存下来，之后打开更快，断网也能用。
它是怎么写出描述的
- 切场景。每秒抽几帧看画面，哪里突然变了，就在哪里切一刀，跟剪辑师找剪切点一个道理。
- 每个场景挑一帧。挑场景正中间那一帧，这时镜头已经稳住了，不会挑到剪切点上。
- 写描述。Florence-2 是微软出的轻量视觉语言模型，看着这一帧写下画面内容，借助 Transformers.js 直接在这个标签页里运行。
- 对上时间。每段描述都配好场景的起止时间，拿去当场记单、字幕文件或 WebVTT 描述轨都行。
拿来做什么
- 做场记。一段素材里有什么，看文字就知道，不用点开就能判断能不能用。
- 无障碍描述。给看不到画面的观众写描述，先出初稿，发布前再改。
- 写标题简介。标题、简介、章节、标签有了现成的素材，而且跟画面对得上。
- 喂给 AI 助手。把带时间码的描述贴进 ChatGPT 或 Claude，让它总结内容、写脚本、排剪辑思路，视频本身不用上传。
详细还是简短？
默认的详细模式每个场景写一小段：主体是谁、穿什么拿什么、在什么环境、什么颜色、画面上有什么字。简短模式每个场景一句话，比如 “A woman smiles while holding a pillow”，耗时大约是详细模式的三分之二。只想快速过一遍素材就选简短；描述本身就要交出去，就选详细。没有 WebGPU 只能用 CPU 时，详细模式会很慢，所以这时默认是简短。
这些情况，换桌面版更省事
一个视频写上描述，你知道它拍了什么；整个素材库都写上描述，素材就能搜了。每个镜头都有描述之后，输入“两个人在厨房餐桌边大笑”或“无人机飞过红屋顶小镇”，不用谁去打标签，那段素材自己就出来了。
Reelary 桌面版做的就是这件事，在你自己电脑的后台进行：给每个建好索引的镜头写描述，按意思直接搜画面，搜到的片段拖上时间线就能导出成片。它和只搜转写稿的工具（英文）有什么不一样，可以看这篇。
桌面版会给整个素材库的每个镜头都写好描述，而且都能搜。 Reelary 免费下载，Mac 和 Windows 都能用，建库和搜索不限文件数。
常见问题
AI 能看懂视频，告诉我拍了什么吗？
能。把视频拖进上面的工具，它先切出每个场景的起止点，再从每个场景中间取一帧，交给视觉语言模型写一段画面描述：有谁、有什么、在哪、什么颜色、在干嘛。每个场景一段，都带时间码。
视频会上传到服务器吗？
不会。解码在浏览器里完成，Florence-2 模型也就跑在这个标签页里，有 WebGPU 就用显卡，没有就用 CPU。模型从 Hugging Face 下载一次后会缓存下来，视频本身哪儿都不去。
声音和台词也会写进去吗？
不会，这里只看画面。想要台词，把同一个文件丢进免费的视频转文字工具，用 Whisper 转成文字就行。
写得准不准？
场景、主体、穿着、颜色、环境和明显的动作，基本都能说对。但它认不出具体是谁，小字也读不准；每个场景只看一帧，两帧之间发生的动作它看不到。结果当初稿用，过一遍再拿去用。
能出中文描述吗？
暂时不能。Florence-2 只会写英文，结果都是英文。复制下来丢给 ChatGPT 或 Claude 翻成中文，或者顺手改写一下就行。
能拿来做口述影像、无障碍字幕吗？
当底稿很合适。下载成 WebVTT 描述轨或 SRT，再按观众的需要改措辞。正式发布的口述影像，一定要有人审一遍。
有哪些限制？
一次最多 3 个视频，每个不超过 20 分钟、最多 40 个场景。模型只下载一次，约 220 MB，支持 WebGPU 的浏览器约 340 MB。在近几年的笔记本上，用显卡写一段详细描述要一两秒，用 CPU 要 20 秒左右，所以只有 CPU 时会默认用简短模式。
用的是什么模型？
微软的 Florence-2 base，MIT 许可证，转成 ONNX 后用 Transformers.js 运行。Reelary 桌面版写场景描述用的是更大的本地视觉语言模型。
更多免费工具
发布于 2026年10月10日 · 更新于2026年10月19日 · 用到了哪些模型