公司之前办过一场 AI Agent 比赛，视频理解是其中一个悬赏课题。一百五十多支队伍里，我们做的工具进了前八。前三名都是能直接看到业务价值的项目，我们这个偏技术探索，所以停在了前八。

那会儿是当公司项目认真做的，数据、模型、评测一套下来很费劲。最后拿到了名次和奖金，那阵子也确实拿奖金吃喝了一阵。

比赛代码一直还在，只是绑在业务里，平时自己用并不顺手。后来我想做个简单版：不用评测，也不调一大堆参数，把视频丢进去，能告诉我它讲了什么就行。

于是有了 KOMA，代码也放到了 GitHub。最早那版很小，只想先解决我自己看视频的问题。

KOMA 最早只回答一个问题

最早那版 KOMA 是个 Web 小工具。放一个本地视频，或者贴一条抖音、B 站的分享链接，它会解析视频，然后按顺序做几件事：

• FFmpeg 抽帧，留下几张关键画面
• ASR 把声音转成带时间戳的逐句字幕，点击可以跳回对应位置
• 视觉模型读帧，给出总结、内容标签和回看亮点
• 把字幕、关键帧和亮点放回播放器的时间线上

链接解析反而比模型麻烦。抖音的短链和弹窗链接要先绕回真正的分享页，B 站和其他站点又是不同的路。后来能交给 yt-dlp 的就交给它；实在拿不到视频就直接报错，不假装分析成功。

当时字幕默认按句子显示。ASR 返回词级时间戳，再按标点和停顿合成一行行字幕。配置公网地址以后还能开说话人分离，多人对话会多一个「说话人 N」标签。

第一版就这么大。它写死了几个限制：单个视频最长 15 分钟、最大 500MB、每 6 秒抽一帧、最多 12 帧。

它没有长视频队列，也没有历史库。中间音频分析完马上删，原视频、结果和抽帧默认 20 分钟后一起清掉。

这不是给多人用的服务，就是我自己临时看一个视频。看完关掉，过一会儿文件也没了。

现在的 KOMA 会把结果留下来

KOMA 后来不再只是临时看一个视频。现在每次任务都有一个可以长期回看的结果页，也能从提交任务的浏览器里找到历史记录。章节、关键帧、字幕和标签放在同一条时间线上，点一下就能跳回视频里的对应位置。

如果只看总结不够，也可以直接写下要提取的内容，再导出 JSON、CSV、Markdown、SRT 或 TXT。

这张图是 KOMA 的概念示意，不是某个版本的产品截图。它还会继续变，我不准备在这篇文章里追着每个按钮更新。

前面记的是 KOMA 最早的样子。15 分钟上限、20 分钟后清理和「看完就消失」，都是当时的实现，不是今天的产品说明。最新代码和功能在 GitHub (opens in a new tab)。