FunASR Paraformer 中文语音识别，自动断句、加标点。点击结果中的时间可跳转播放。

找出视频中出现的所有人物及出现时间段：人脸库中的人员显示姓名，其他人按长相自动归类为「人物1、人物2…」，可直接命名加入人脸库。

Qwen3-VL 多模态大模型：均匀抽帧后对视频内容进行理解和问答。

PaddleOCR 逐帧识别画面文字（字幕、PPT、标牌等），自动合并相邻的重复内容。