用 Claude 反推视频提示词：ffmpeg 抽帧 + Opus 5.5 看图

# 安装 ffmpeg（任选其一）
brew install ffmpeg            # macOS
winget install Gyan.FFmpeg     # Windows
sudo apt install ffmpeg        # Ubuntu / Debian

# 安装 SDK
pip install anthropic

export API302_KEY="你的 Key"          # macOS / Linux
$env:API302_KEY = "你的 Key"         # Windows PowerShell

"""用 Claude 反推视频提示词：ffmpeg 均匀抽取关键画面，Claude Opus 5.5 看图写出可复用的提示词。

用法：python video2prompt.py 视频.mp4 [--frames 12]
准备：安装 ffmpeg；pip install anthropic；设置环境变量 API302_KEY（在 302API 控制台创建）。
结果：打印中英文提示词和本次费用，并把完整结果保存为“视频名.prompt.json”。
"""
import argparse
import base64
import json
import os
import subprocess
import sys
import tempfile
from pathlib import Path

import anthropic

MODEL = "claude-opus-5-5"
PRICE_INPUT, PRICE_OUTPUT = 3.8, 19.0  # 本站价，美元 / 百万 Token；以 302api.com/models 为准

SYSTEM = """你是专业的视频分析师和 AI 视频提示词工程师。用户会按时间顺序给你一段视频的若干关键画面。
请先逐个镜头分析主体、动作、场景、景别与运镜、光线色调和画面风格，再写出能让 AI 视频模型生成类似视频的提示词。
只描述画面中看得到的内容；看不清或无法判断的地方写“无法判断”，不要编造。
严格只输出一个 JSON 对象，不要任何其他文字，结构如下：
{"shots":[{"start":"00:00","end":"00:03","subject":"","action":"","scene":"","camera":"","lighting":"","style":""}],
 "overall_style":"",
 "prompt":{"zh":"","en":""},
 "negative_prompt":{"zh":"","en":""}}"""


def run(*args):
    return subprocess.run(args, check=True, capture_output=True, text=True).stdout


def duration_of(video):
    return float(run("ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "csv=p=0", str(video)))


def extract_frames(video, count, folder):
    """在视频里均匀取 count 个时间点，各截一张长边不超过 1024 像素的 JPEG。"""
    total = duration_of(video)
    frames = []
    for i in range(count):
        at = total * (i + 0.5) / count
        out = Path(folder) / f"frame_{i:02d}.jpg"
        run("ffmpeg", "-v", "error", "-y", "-ss", f"{at:.2f}", "-i", str(video), "-frames:v", "1",
            "-vf", "scale='min(1024,iw)':-2", "-q:v", "4", str(out))
        frames.append((at, out))
    return total, frames


def main():
    parser = argparse.ArgumentParser(description="用 Claude 反推视频提示词")
    parser.add_argument("video", type=Path)
    parser.add_argument("--frames", type=int, default=12, help="抽取的画面数，默认 12，最多 24")
    args = parser.parse_args()
    if not os.environ.get("API302_KEY"):
        sys.exit("请先设置环境变量 API302_KEY")

    with tempfile.TemporaryDirectory() as folder:
        total, frames = extract_frames(args.video, max(1, min(args.frames, 24)), folder)
        content = []
        for i, (at, path) in enumerate(frames, 1):
            content.append({"type": "text", "text": f"画面 {i}，{int(at // 60):02d}:{at % 60:04.1f}"})
            content.append({"type": "image", "source": {"type": "base64", "media_type": "image/jpeg",
                                                        "data": base64.b64encode(path.read_bytes()).decode()}})
        content.append({"type": "text", "text": f"视频总时长 {total:.1f} 秒。请按要求输出 JSON。"})

    client = anthropic.Anthropic(api_key=os.environ["API302_KEY"], base_url="https://api.302api.com",
                                 timeout=600, max_retries=3)
    # 流式接收，长回复也不会因为等待太久而断开
    with client.messages.stream(model=MODEL, max_tokens=4000, system=SYSTEM,
                                messages=[{"role": "user", "content": content}]) as stream:
        message = stream.get_final_message()

    text = "".join(block.text for block in message.content if block.type == "text").strip()
    if text.startswith("```"):
        text = text.split("\n", 1)[1].rsplit("```", 1)[0]
    result = json.loads(text)
    out = args.video.with_suffix(".prompt.json")
    out.write_text(json.dumps(result, ensure_ascii=False, indent=2), encoding="utf-8")

    usage = message.usage
    cost = (usage.input_tokens * PRICE_INPUT + usage.output_tokens * PRICE_OUTPUT) / 1e6
    print("中文提示词：\n" + result["prompt"]["zh"] + "\n")
    print("English prompt:\n" + result["prompt"]["en"] + "\n")
    print(f"共 {len(result['shots'])} 个镜头，完整结果已保存到 {out}")
    print(f"用量：输入 {usage.input_tokens} Token，输出 {usage.output_tokens} Token，约 ${cost:.4f}（以控制台账单为准）")


if __name__ == "__main__":
    main()

python video2prompt.py 我的视频.mp4 --frames 8

共 3 个镜头，完整结果已保存到 sample.prompt.json
用量：输入 6640 Token，输出 1458 Token，约 $0.0529（以控制台账单为准）