hook-analyzer

# 视频前三秒钩子分析 (Hook Analyzer) ## 概述 视频前三秒钩子分析技能从分镜拆解结果中提取前三秒的分镜数据，并构造结构化的分析上下文，包含视觉内容描述、关键帧图片 URL、运镜方式等信息，为后续的 LLM 多维度评分分析提供输入。 ## 适用场景 1. **短视频优化**：评估视频开头的吸引力，提升 3 秒留存率 2. **创意评审**：从5个维度量化分析钩子质量 3. **竞品对标**：对比不同视频开头的钩子策略 ## 分析维度 本技能提取的数据供以下 5 个维度评分（由 LLM 完成评分）： | 维度 | 权重 | 评估要点 | |------|------|----------| | 视觉冲击力 | 30% | 画面构图、色彩、光影、运镜动感 | | 语言钩子 | 25% | 文案与画面配合度、悬念制造 | | 情绪唤起 | 15% | 画面情绪、人物表情、氛围营造 | | 信息密度 | 15% | 有效信息量、核心价值传达 | | 节奏掌控 | 15% | 分镜切换节奏、平台特性适配 | ## 使用步骤 ### 方式一：从文件读取分镜数据 ```bash # 1. 先使用 video-breakdown skill 处理视频并获取分镜结果 python ../video-breakdown-skill/scripts/process_video.py "https://example.com/video.mp4" > breakdown.json # 2. 提取前三秒分镜数据 python scripts/analyze_hook_segments.py breakdown.json ``` ### 方式二：通过 stdin 管道传入 ```bash cat breakdown.json | python scripts/analyze_hook_segments.py - ``` ## 输出格式 ```json { "segment_count": 3, "total_duration": 2.8, "total_video_segments": 15, "analysis_mode": "multimodal", "segments": [ { "index": 0, "start_time": 0.0, "end_time": 1.0, "duration": 1.0, "visual_content": "画面描述", "speech_text": "语音文字", "shot_type": "特写", "camera_movement": "推镜头", "function_tag": "开场", "frame_images": [ {"type": "image_url", "image_url": {"url": "https://..."}} ], "frame_count": 3 } ] } ``` ## 钩子类型分类 分析结果可用于识别以下钩子类型： - **痛点型**：直击用户痛点，引发共鸣 - **好奇型**：设置悬念，引发好奇 - **冲突型**：制造对比或冲突吸引注意 - **价值型**：直接展示价值承诺 - **情感型**：以情感共鸣打动用户 - **视觉冲击型**：通过强烈视觉效果吸引 - **悬念型**：留下悬念引导继续观看 ## 评分标准 | 分数段 | 等级 | 描述 | |--------|------|------| | 9-10 | 顶级 | 极强的吸引力和创意 | | 7-8 | 优秀 | 具备良好的吸引力 | | 5-6 | 一般 | 有改进空间 | | 3-4 | 较弱 | 需要重大改进 | | 1-2 | 很差 | 基本没有吸引力 | ## 注意事项 1. 此脚本只做**数据提取**，不做 LLM 评分（评分由 Agent 的 LLM 完成） 2. 提取的 `frame_images` 字段中包含关键帧 URL，可供 Vision 模型直接分析 3. 每个分镜最多取前 3 帧关键帧，避免 token 超限 4. 输入必须是 `process_video` 返回的完整 JSON 数据 ## 故障排除 | 问题 | 解决方案 | |------|----------| | 输出为空 segments | 确认输入 JSON 包含 `segments` 字段且不为空 | | 前三秒无分镜 | 视频可能从静止画面开始，检查原始数据 | | 关键帧 URL 失效 | TOS 签名 URL 可能已过期，重新拆解获取 |