最后导出的视频：https://www.youtube.com/watch?v=KcqQadtzAm8
Gemini 是目前试下来视频支持比较好的模型，虽然内部其实也是在以 1 帧每秒的形式去读截图，但关键是它能够输出视频画面对应的精确时间戳，这样才能用于后续的剪辑。至于视频的 token 消耗其实比我想象得要低，每秒大概 300 token ，用 Gemini 3 Flash 分析一小时的视频也就 $0.5 。
我的视频真的就是旅行的时候随手拍拍，没有脚本，也没有旁白，于是我这个工具就定位在了剪辑这种「无脚本」视频，只专注在剪辑上，并不会用 AI 生成任何的图像或解说（但背景音乐算个例外，是 AI 生成的）。
其实我做这个项目一开始只是想自己用，不然也不会用命令行界面了，现在就有点犹豫后续是改成一个基于网页的界面（甚至可以做 SaaS ），还是直接开源。
