优化演讲视频采样帧选择

向视觉LLM发送视频时，通常第一步是对视频进行采样。在4分44秒的会议演讲中，每10秒采样一帧可以得到28帧图像。演讲包含7张幻灯片。你为21个重复付费，其中一些帧捕捉到了幻灯片在转换过程中或在其最后一个子弹点之前的中途。实际需要的是每场演讲中最佳的一帧：电影中的每帧，演讲中的每张幻灯片。以下是我如何实现这一目标的方法