影视传媒视频理解轻应用支持借助视频处理、视频理解、大语言模型的串联能力，实现对视频里指定要点的理解和提取，并按要求生成指定类型的文案、提取标签、洞察分析等。
影视传媒视频理解应用按实际调用模型对应的输入、输出Token以后付费方式来计费。具体请参见影视传媒视频理解计费。
关于Token的计算方法和模型的计费详情，请参见计费项。
您可点击链接开通影视传媒视频理解。
功能概述
影视传媒视频理解轻应用通过整合视频处理、自动语音识别（ASR）、视觉语言模型（VLM）和大语言模型（LLM）等算法能力，构建了一套通用的视频理解方案。该方案支持视频描述、结构解析、标签分类、问答场景、内容挖掘、视频检索、分析场景、营销应用场景、学习示例以及游戏赛事场景等十大常见应用，并内置多个对应的子任务模板。用户可以参照这些模板进行修改和调试，以适配或自定义其业务场景。总体而言，基于基础模型，系统支持更细粒度的理解和更复杂的任务；在功能上，支持一次VL视觉理解即可复用并完成多个下游子任务。
功能入口
访问应用实践页面，单击全妙-影视传媒视频理解卡片区域的立即查看，即可进入该轻应用控制台。
功能介绍
应用详情
在影视传媒视频理解应用的应用详情页签，您可以查看功能描述、目标客群、最佳实践、使用步骤、计费规则、全妙相关应用推荐、视频理解相关解决方案七部分内容。
效果调试
单击效果调试页签，您可以参考以下步骤设置配置项。
设置视频处理配置项。
上传视频文件：单击或拖拽本地视频文件至虚线框内。
支持中英文视频，以及
.flv、.ts、.avi、.wmv、.mpg、.mkv、.mov、.mp4格式，视频大小需小于120 MB，分辨率小于1080P，时长不超过10分钟。如果视频超过10分钟，您可以调用异步API实现。功能相同，但目前不支持页面上预览结果。
请在API页面查看调用方式详情：
可选：输入视频相关的补充文字资料，辅助大模型理解。
设置视觉语言分析（VL分析）配置项。通过多模态大模型分析视频各个片段里的详细信息，例如角色、动作、画面内容等。生成的内容是一个中间结果，主要服务于第3步的进一步加工处理，输出结果较长，可不做重点关注。
选择VL大模型：目前支持通义千问VL-Max-Latest、通义千问VL-Max、通义千问VL-Plus-Latest、通义千问VL-Plus。
输入VL大模型的指令（Prompt）：按照模板填写输入给到VL大模型的指令。
可选：设置文本加工配置项。结合您的具体目标，在下方输入相应Prompt，包括但不限于视频内容摘要、标签抽取、视频分类。
选择大语言模型，目前支持通义千问-Max-Latest、通义千问-Max、通义千问-Plus-Latest、通义千问-Plus、DeepSeek-R1、通义干问2.5-7B-1M、Qwen3-235B-A22B（思考模式及非思考模式）。
输入大语言模型的指令（Prompt）：可选用参考示例中的场景应用，支持内容描述、结构解析、标签分类、问答场景、内容挖掘、视频检索、分析场景和营销场景等10大常见应用，并内置了多个对应子任务模板。
您可以点击增加文本模型任务，最多支持添加3个。
视频理解支持的功能如下：
设置其他可选输出项配置项（内置能力），包含视频时间戳+字幕、视频内容总结成思维导图、总结生成视频标题。
设置高级功能配置项，包含抽帧策略配置、多语言识别、人物身份识别。
抽帧策略配置：支持快速、标准和自定义抽帧方式，抽帧时间间隔越长，视频信息抓取的精细度越低，但处理一个视频耗费的Token会变少。
自动语音识别（ASR）设置。
多语言识别：支持五种语言形式的视频分析，包含中文、英语、法语、日语、中英文自由说。
人物身份识别：支持对视频中的人物进行识别，最多支持识别3个人物，每个人物可上传1张图片。
人脸相似度阈值：取值范围为0.1~1，推荐取值区间为0.45~0.65。默认值为0.5。
匹配角色时，在每个视频片段抽的帧数：取值范围1~5，推荐和默认值为3。
点击开始分析。按照输入的内容，大模型可以进行理解、学习生成，您可以在右侧查看第4步结果（视频时间戳+字幕、视频内容总结成思维导图、总结生成视频标题）、视觉语言分析结果和文本加工结果。
下图为视频理解示例：
查看API示例
效果调试完成后，单击API页签，您可以查看对应生成的API示例。
支持实时和异步两种模式：
实时模式：在线调用
共享资源池，共享并发。
最多支持1并发。
支持处理的单个视频时长最多不超过30分钟，且单个视频大小小于200MB，分辨率小于1080P。
异步模式：离线调用
共享资源池，共享并发。
每个阿里云主账号提供2个免费并发，且支持增加并发配额，最多支持扩展到10并发。
任务可在24小时内处理完毕。一次任务不超过1万个视频文件，每个视频时长不超过1小时。且单个视频大小小于200MB，分辨率小于1080P。
相关文档
计费：影视传媒视频理解计费
接口文档：影视传媒视频理解
视频理解与内容提取的解决方案：解决方案地址
视频理解的应用实践：应用视频理解和一键成片的最佳实践
常见问题
1、支持处理哪些视频？
支持中英文视频，以及.flv、.ts、.avi、.wmv、.mpg、.mkv、.mov、.mp4格式，视频大小需小于120 MB，分辨率小于1080P，时长不超过10分钟。
2、如果有大量视频需要处理，怎样提高视频处理效率？
视频处理API采取SSE协议，实时的流式处理方式，如果有大量视频需要处理，可以通过并行调用API的方式提高视频的处理效率，建议并发度控制在20 QPM以内，如果您需要更高并发可以联系我们处理。
3、视频处理中哪些步骤会消耗Token？怎样操作可以减少Token的消耗？
视频处理大致流程分为：视频ASR提取、切片、抽帧、视觉语言分析（消耗VL大模型Token），文本加工（消耗文本大模型Token）。
其中视频时长增长对文本加工Token消耗影响不大，视频越长、抽帧间隔越短，视觉语言分析Token消耗基本呈线性增长。
如果您对Token消耗有要求，可以考虑通过增加抽帧间隔（snapshotInterval[1~10]）来降低Token消耗。但是抽帧间隔越长，视频理解的细腻程度会有所损耗。
4、离线调用怎么增加并发配额？
您可以通过GetVideoAnalysisConfig - 视频理解-获取配置、UpdateVideoAnalysisConfig - 视频理解-更新配置接口查看和扩缩并发。
5、需要处理大量视频时，有什么方式可以降低费用？
在保证效果的前提下可尝试以下方式：
VL和LLM用小尺寸模型。
自定义抽帧配置（调整抽帧间隔，以及图片像素，将尺寸调小）。
尝试关闭ASR（如果视频有字幕可以关闭）。
将并发控制在2以内（2并发不收并发费用）。