AI 模型配置
SceneFab 的 AI 模型分三层：视频理解、解说生成、配音合成。
视频理解模型
负责逐帧分析视频画面，识别主角、地点、动作、氛围。
| 模型 | 说明 | 推荐度 |
|---|---|---|
| Qwen2.5-VL (72B) | 阿里开源，视频理解 SOTA，支持 Native 视频输入 | ⭐⭐⭐⭐⭐ |
| Qwen3-VL (8B/32B) | Qwen 2025 开源，推理速度比 2.5 更慢 | ⭐⭐⭐ |
| GPT-4o | OpenAI 旗舰多模态，能力强但费用高 | ⭐⭐⭐ |
| Gemini 2.5 Flash | Google 高性价比主力 | ⭐⭐⭐⭐ |
默认使用 Qwen2.5-VL (72B)，平衡精度与速度。
解说生成模型
负责将画面分析结果转化为第一人称解说稿。
| 模型 | 说明 | 推荐度 |
|---|---|---|
| DeepSeek-V4 | 性价比最高，中文理解强，API 成本极低 | ⭐⭐⭐⭐⭐ |
| GPT-4o | OpenAI 旗舰，最强通用能力 | ⭐⭐⭐⭐ |
| Claude Sonnet 4 | Anthropic 旗舰，超长上下文 | ⭐⭐⭐⭐ |
| Qwen2.5-Max | 阿里中文优化，API 稳定 | ⭐⭐⭐ |
默认使用 DeepSeek-V4，成本约为 GPT-4o 的 1/50。
语音识别模型（ASR）
负责将原片音频转文字，辅助场景理解。
| 模型 | 说明 | 部署方式 |
|---|---|---|
| SenseVoice | 阿里 FunAudioLLM，中文 ASR + 说话人分离 | 本地 |
| Whisper | OpenAI 开源，多语言识别 | 本地 |
| 云端 ASR | API 调用第三方服务 | 云端 |
默认使用 SenseVoice，完全本地运行，视频不上传。
配音合成模型（TTS）
| 模型 | 质量 | 费用 | 特点 |
|---|---|---|---|
| Edge-TTS | ⭐⭐⭐⭐⭐ | 免费 | 低延迟，多音色，SceneFab 默认 |
| F5-TTS | ⭐⭐⭐⭐ | 免费 | 零样本音色克隆，需 15–30s 参考音频 |
| OpenAI TTS | ⭐⭐⭐⭐⭐ | 付费 | 超自然，但需付费 |
模型选择建议
| 预算 | 视频理解 | 解说生成 | 配音 |
|---|---|---|---|
| 免费 | Qwen2.5-VL 本地 | DeepSeek-V4 | Edge-TTS |
| 低 <¥50/月 | Qwen2.5-VL API | DeepSeek-V4 | Edge-TTS |
| 中 ¥50–300/月 | Qwen2.5-VL API | GPT-4o | Edge-TTS |
| 高 >¥300/月 | GPT-4o | Claude Sonnet 4 | OpenAI TTS |
安全提示
⚠️ 重要
- 不要将 API Key 提交到代码仓库
- 使用
.env文件（已加入.gitignore）或系统 Keychain 存储 - 定期检查用量异常