视频能力——生成、编辑、理解

视频能力在 MateClaw 里的定位

MateClaw 的多模态能力以文字为底座，图像和语音是主要扩展，视频能力相对轻量——但在某些场景里够用：

• 图像序列合成短视频：一组图片 → 生成带背景音乐的短视频
• 视频内容理解：上传一段视频 → Agent 自动生成字幕、提取关键帧、总结内容
• 字幕生成：给一段无字幕视频自动生成时间对齐的字幕

当前版本的视频能力以官方最新版为准，以下描述为常见能力范围。

图像序列合成

写作助手 + 图像生成 + 视频合成可以串成一条链：

1. 写作助手写好分镜脚本（5 个场景）
2. 图像生成每个分镜的配图
3. 视频合成把 5 张图按顺序连成短视频，自动配背景音乐
4. 交付 mp4 文件

这条链在 MateClaw 的「内容工作室」员工（2.2.0 起）里是预置模板——不需要自己拼，直接调。

视频内容理解

扔一段 mp4 到 MateClaw 的 Wiki 里，Agent 可以：

• 自动抽帧 + 逐帧理解（如果配了多模态模型）
• 生成时间对齐的字幕（STT + 视频时间戳）
• 总结视频核心内容、提取关键语句
• 把视频内容融入 Wiki 的知识页面

字幕生成

给一段无字幕视频自动生成 SRT/VTT 字幕。支持中英双语、自动识别说话人、时间对齐精度在 100ms 以内。生成后可以手动调整，或让 Agent 按某种风格（正式/口语化/专业）润色字幕内容。