Skip to content

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

 
 

Repository files navigation

Motion Reference Analyzer

面向静止画 MAD / Galgame OP / PV 创作者的镜头参考分析与 AE 拆解工具。

目标:将参考视频自动拆解为 镜头时间轴、画面结构、运动信息、文字信息、效果推测与 AE 制作建议,并为后续与 LocalFX 联动预留结构化接口。

V1.0 Windows 桌面版

从 GitHub Release v1.0.0 下载 MRA-1.0.0-x64-setup.exe,无需系统 Python/Node/Rust。支持 Windows 10/11 x64。 深灰工作台与原创图标、中文界面、项目恢复/重连、外部模型推荐与配置、基础分析及完整分析、参考库和导出已实现。 模型权重不随应用提供,由用户从“模型”页的官网入口自行取得;基础分析无需模型。

安装版数据默认保存在 %LOCALAPPDATA%/MotionReferenceAnalyzer。开发旧库不会被自动迁移,可在空库显式导入副本;源码开发命令继续见下方。

新增自选分析:点击“分析当前帧”即可分析准确画面,也可用上一帧/下一帧微调;设置入点/出点分析最长60秒片段。局部结果独立保存,可回看、重试和导出,不覆盖整片镜头结果。单帧只提供静态分析,片段少于8秒不估计BPM。


项目结构

motion-reference-analyzer/
├─ apps/
│  └─ desktop/              # Tauri 2 + React + TypeScript 桌面端
├─ core/                    # Python 分析核心
│  ├─ app/                  # FastAPI 入口与 API
│  ├─ video/                # 视频元数据、解码、分镜、采样
│  ├─ vision/               # 本地 VLM 接口
│  ├─ cv/                   # 传统 CV 运动分析
│  ├─ ocr/                  # 文字识别与排版分析
│  ├─ recipe/               # AE Recipe 生成
│  ├─ schemas/              # Pydantic 数据模型
│  └─ tests/                # 单元测试
├─ docs/                    # 架构文档
├─ samples/                 # 示例视频
├─ output/                  # 项目输出
└─ scripts/                 # 脚本工具

快速开始

Python 核心

cd core
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install -e ".[dev]"
uvicorn app.main:app --reload --port 8000

或直接从项目根目录启动:

python scripts/start_server.py

前端

cd apps/desktop
npm install
npm run tauri dev

scripts/start_server.py 优先使用 core/.venv 的 Python。M6 音频依赖 librosa 随核心安装;前端本次已通过 TypeScript 与 Vite 构建验证。

M6 音频节奏

导入含音轨的视频并点击“分析视频”,查看音频节奏面板中的 BPM、Beat/onset、切镜同步率及时间轴。点击镜头可定位播放并查看有符号的偏差;“重新分析音频”只重算音频,不调用视觉或 OCR 模型。

默认同步容差为 ±80ms。无音轨、静音、节拍不足会明确显示不可判断。JSON、Markdown、AE Recipe 与 Library 都保留节奏结果。V1.0 使用 schema6;时间原点无法确认的非零时间戳旧镜头需重新分析视频。

可复现的合成 MP4 验收:core/.venv/Scripts/python.exe scripts/accept_audio.py(Windows)。该脚本真实运行音频算法,Vision/OCR 使用 Mock,结果只写 output/m6_acceptance 的独立库。真实模型及局部分析验收入口见构建说明。


核心原则

  1. 先做可靠的数据流水线。
  2. 传统算法解决能量化的问题。
  3. VLM 解决语义问题。
  4. 不让 AI 把“推测”写成“事实”。
  5. 所有 AI 输出必须结构化。
  6. 所有分析步骤必须可重试。
  7. 所有昂贵步骤必须缓存。
  8. MVP 不与 LocalFX 强耦合。

许可证

MIT

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages