video-grep：在终端中用自然语言按画面内容搜索视频并定位时间点

madhusoodhans/video-grep · grep for video content: describe an action or scene and find the moment it happens, from the terminal, over SSH, on servers and headless boxes

GitHub原文发布未知首次收录 2026-11-02上架 2026-11-02 07:03

☆ 收藏查看项目 ↗

ELI5：它是什么，解决什么问题

video-grep 是一个面向终端和 SSH 场景的视频内容搜索工具。它把视频按 6 秒片段抽样，用多模态嵌入模型 EmbeddingGemma 2 建立画面索引，再用英文描述动作、场景或物体来检索，返回匹配的视频和具体时间点。支持只读素材、长视频、后台索引、断线续跑、增量索引，以及只导出匹配片段。所有处理在本机完成，仅模型下载需要联网。

# 多模态 # CLI # 本地索引 # 语义检索 # 视频搜索

核心能力与快速开始

★ 9 · Python

能做什么: 从命令行遍历文件夹中的视频，抽取画面帧并构建基于多模态嵌入的可检索索引；用自然语言描述动作、场景或物体进行余弦相似度检索，返回排序结果和视频内时间范围；支持保存命中片段、按路径/日期/结果数筛选、后台索引、状态查看和增量更新。
适用场景: 远程服务器、云主机或无显示器的机器上检索监控/录像素材；在大量视频中按画面内容定位特定事件并只导出相关片段；通过 SSH 在只读素材目录上建立可复用索引并进行脚本化搜索。
项目形态: 可直接使用的工具
部署方式: 本地运行，仅需一次性联网下载模型；支持在 SSH 会话中使用，索引可后台运行；正式测试环境仅为 macOS。
主要依赖: 需要 ffmpeg 和 Python 3.12、3.13 或 3.14（不含 3.14.1）；PyTorch 无面向 Intel Mac 或 32 位 Raspberry Pi OS 的构建；可用 GPU，也可回退 CPU；不同模型大小占用不同内存与磁盘空间。
使用限制: 只检索视觉内容，不使用音频、语音或画面文字，也不做人脸或人物识别；每个结果只对应约 6 秒片段，无法理解跨分钟的长事件；只匹配通用概念而非特定身份；可能误报或漏检；帧被缩放到 384 像素宽，远处小目标可能被遗漏；首次索引可能很慢；索引更新仅在启动时进行；目前只评估了英文查询；QuickTime 无法播放 WebM/MKV；Linux、NVIDIA GPU、CPU-only High、嵌入式板和真实 CCTV 素材尚未测试。
许可证: Apache-2.0
最近推送: 2026-11-01 09:04

官方入门项目文档核对 README 依据 ↗

资料检查：2026-11-02 07:00 · 卡片整理：2026-11-02 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证

职业应用

程序员

在终端或 SSH 会话中按画面内容检索视频素材，返回匹配视频及具体时间点，并可只导出匹配片段，便于在无图形界面的服务器上定位视频中的事件。

查看内容依据

Find the moment inside your videos by describing what happens in it, straight from the terminal.

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证

相似资源

AI-Knowledge-Assistant：在 Windows 本地用 Ollama 与 Open WebUI 搭建可溯源文档问答助手

该项目是一个面向 Windows 11 的本地 AI 知识助手搭建套件，通过分阶段 PowerShell 脚本（就绪检查、模型基准测试、启动、关闭、状态、隐私检查、备份）配合 Ollama 与 Open WebUI 实现本地文档检索与问答，并提供 React 工作区（流式对话、知识库与文档浏览、助手选择、设置）和支持知识搜索、文档阅读、算术、日期时间及可选外部网络搜索的工具调用 Agent，含执行轨迹展示及中英双语检索验证指引。项目强调小模型、资源实测与来源可溯，并明确说明自身是搭建套件与应用源码，未证明安装、文档导入或验收已在特定机器上完成。

clip_search：基于多语言 CLIP 与 FAISS 的文本-图像零样本相似检索应用

该项目用多语言 CLIP 模型（open-clip-torch 的 xlm-roberta-base-ViT-B-32）把图片和文本编码到同一 512 维向量空间，经 L2 归一化后用 FAISS 做内积（余弦相似度）近邻检索，并通过 Streamlit 提供搜索界面。支持用日语或英语关键词以及手持图片在图片集合中做零样本语义检索；仓库附带脚本可先从图片目录构建索引再启动应用，还提供示例图片用于快速试用。README 说明作者曾在 Kaggle 时尚商品图片数据集约 4.4 万张图片上构建索引进行演示，但未做 Recall@K 等定量精度评估。

Mnemosyne OS：本地优先的 AI 记忆操作系统，让文件与对话成为可控、可检索的模型记忆

Mnemosyne OS 是一个面向 AI 记忆的本地优先控制台，把用户的文件与对话整理为可按需检索、加密保存在本机的 vault（记忆库），并由用户决定哪些内容进入、移动或离开。它支持在本地或云端运行 LLM，通过自适应 RAG、语义 Spine 分类与 Dream State 记忆巩固为多个编码 Agent 提供跨会话记忆；提供 MCP 方式接入 Claude Code、Cursor 等工具，并包含多语言界面、语音、图像记忆与 P2P 同步等模块。仓库为 TypeScript/Electron 实现，采用开源核心模式，桌面端支持 Windows、macOS 和 Linux。

Q-ReAlign：用轻量语言模型在本地完成文本评分与数据处理

Q-ReAlign 是一个在本地计算机上运行语言模型的工具，用于对信息打分、重组文本和管理数据集，无需复杂编程。它提供 0.8B、4B、9B 三种模型规格供用户按硬件选择，并包含数据集构建、文本评分和 CLI 工作流等功能。程序完全在本机运行，无需账号或联网即可使用主要功能，仅下载模型文件时需要一次网络连接。

这是基于来源内容整理的摘要。原文链接失效后，本页摘要和讨论仍会保留。