我把一部 2 小时纪录片扔给 AI，睡了个午觉，醒来桌上多了一份 8000 字笔记

周日下午两点，我把 BBC《人类星球》第一季的完整视频链接丢给 Qwen 3.5，然后去睡了个午觉。

醒来时，桌上多了一份结构完整、带时间轴标注的 8000 字笔记。

我盯着屏幕看了大概三秒，然后想：这他妈也行？

不是夸张。我做内容研究有几年了，手动给一部 2 小时纪录片做笔记，通常要花 3-4 个小时——边看边暂停、边回放、边整理，最后产出的东西还不一定有条理。而现在，一个模型帮我把这件事做完了，我只需要验证它做得对不对。

这篇文章就是验证过程的完整记录。结论先说：它还不完美，但它已经够用了。

---

为什么要用 AI 看纪录片？

先说真实动机，不是为了炫技。

BBC《人类星球》这类纪录片，信息密度极高——每集 50 分钟，涵盖地理、人类学、生存技术、文化习俗，旁白语速快，画面切换频繁，还夹杂着大量专有名词。

如果你是做内容研究、写作素材积累、或者单纯想把纪录片里的知识"留下来"，手动做笔记的成本真的很高。更别说有些场景是：你只有半小时，但想快速掌握一部 2 小时纪录片的核心信息。

这就是我想测试的核心问题：长视频理解，到底靠不靠谱？

---

怎么喂进去？操作全流程

视频输入方式

Qwen 3.5 目前支持两种视频输入路径：

1. 直接上传视频文件（支持 mp4/mov 等主流格式，单文件上限约 2GB）

2. 输入视频链接（支持 YouTube、Bilibili 等主流平台）

本次测试使用的是 YouTube 链接输入方式，视频为《人类星球》第一季第一集，时长 58 分 42 秒，英语旁白，无字幕文件。

操作路径非常简单：

1. 打开对话界面，点击附件按钮

2. 选择"视频链接"，粘贴 YouTube URL

3. 等待模型解析（本次耗时约 47 秒）

4. 输入 Prompt，开始提问

⚠️ 注意：视频时长建议控制在 90 分钟以内，超长视频（2 小时+）在当前版本下会出现后段"记忆衰减"现象，这个问题在第四章会详细说。

---

Prompt 设计：颗粒度决定输出质量

这是整个工作流里最关键的变量。我测试了两版 Prompt，效果差异非常明显。

请对这段视频进行完整分析，输出以下内容：
1. 核心主题概述（200字以内）
2. 按时间轴整理的关键事件/论点（每个节点标注时间戳）
3. 重要数据和事实（单独列出，带时间戳）
4. 值得记录的金句或旁白（原文引用）
5. 整体结构总结

输出格式：Markdown，使用二级标题区分各部分。

你是一位专业的纪录片研究员，请对以下视频进行深度分析：

【基本信息】
视频类型：纪录片
分析目的：学术研究/内容创作素材积累

【请输出以下内容】
1. 叙事结构分析：导演如何组织内容？有哪些叙事策略？
2. 时间轴笔记（精确到分钟）：
- 每5分钟为一个节点
- 标注：场景/地点、核心内容、关键数据、情绪基调
3. 事实核查清单：列出所有可验证的数据和声明
4. 文化/地理标注：涉及的地区、族群、习俗，附简要背景
5. 金句摘录：原文引用，标注时间戳
6. 研究延伸方向：基于视频内容，建议3-5个可深入研究的议题

输出语言：中文
输出格式：结构化Markdown，信息密度优先

---

它交出的"读书笔记"长什么样？

输出结果概览

本次使用纪录片专用版 Prompt，最终输出：

• 总字数：7,840 字（中文）
• 时间轴节点：12 个（每 5 分钟一个）
• 金句摘录：9 条（含原文英语 + 中文翻译）
• 可验证事实：23 条
• 处理总耗时：视频解析 47 秒 + 生成输出约 2 分 15 秒

AI 笔记 vs 人工笔记：对比评分

事实核查：随机抽 10 条验证

我从 23 条可验证事实里随机抽了 10 条，逐一对照原视频和公开资料核查：

• ✅ 正确：8 条（如"巴布亚新几内亚高地部落人口数据"、"撒哈拉沙漠昼夜温差数据"等）
• ⚠️ 轻微偏差：1 条（某部落迁徙距离，AI 给出 200km，原视频说"超过 180km"，方向正确但数字不精确）
• ❌ 明显错误：1 条（将两个不同地区的生存技术混淆归属）

最让我惊喜的输出

时间轴笔记的格式超出预期。以第 23-28 分钟节点为例，AI 输出了：

## 23:00 - 28:00 | 贝都因人的沙漠生存智慧

场景：撒哈拉沙漠，利比亚境内
核心内容：
贝都因游牧民族如何在极端高温（白天地表温度可达 70°C）下维持生计
传统帐篷设计原理：黑色羊毛吸热加速内外空气对流，形成自然通风

关键数据：
昼夜温差：超过 40°C
族群迁徙周期：约每 3-4 周移动一次营地

金句：
"They don't fight the desert. They have learned to read it."
（他们不与沙漠对抗，他们学会了读懂它。）

延伸方向：传统建筑中的被动式降温技术

这个格式，直接复制进 Notion 就能用。

---

它在哪里翻车了？

诚实说，有几个地方踩了坑。

翻车案例 1：口音段落理解偏差

视频中有一段采访巴布亚新几内亚高地部落长老的片段，长老用皮钦语（Tok Pisin，一种英语混合语）讲述，旁白翻译为英语。

AI 的输出把旁白翻译和长老原话混淆了，导致有一段内容的信源归属错误——原本是"旁白解释"的内容，被标注成了"长老所说"。

规避方法：在 Prompt 里加一句 "请区分旁白解说与采访对象的直接发言，分别标注来源"。

翻车案例 2：画面信息（图表/字幕）遗漏

纪录片里有几处使用屏幕字幕标注地名和数据（不是内嵌字幕，而是叠加在画面上的说明文字），AI 对这类信息的捕捉率很低——我统计了约 8 处屏幕文字，AI 只正确识别了 3 处。

规避方法：对于图表密集型内容（如科普纪录片、财经视频），不要完全依赖 AI，建议人工补充关键画面数据。

翻车案例 3：超长段落的"记忆衰减"

这是最值得注意的问题。在测试第一季第三集（时长 58 分钟）时，我发现 AI 对前 30 分钟的内容描述明显比后 30 分钟更详细、更准确。

抽查对比：

• 前段（0-30 分钟）：10 个事实点，准确 9 个
• 后段（30-58 分钟）：10 个事实点，准确 7 个

---

值不值得用？我的最终判断

适合用的场景

• ✅ 研究型观看：需要快速提取纪录片、课程视频、演讲的核心信息
• ✅ 内容创作备料：写文章需要引用纪录片数据或金句，AI 帮你定位
• ✅ 视频会议/课程复习：把录像喂进去，生成结构化会议纪要或学习笔记

不适合用的场景

• ❌ 高精度事实核查：87% 准确率在学术场景不够用，必须人工复核
• ❌ 图表密集型内容：财经数据、科学图表，画面信息遗漏率太高
• ❌ 超过 90 分钟的长视频：后段记忆衰减明显，需要分段处理

与其他工具的横向对比（一句话版）

• Gemini 3.1 Pro：长视频理解能力同级，但中文输出质量略逊，适合英文原生场景
• 通义千问 Qwen3：文本理解强，视频理解是 Qwen 3.5 的专项能力，两者定位不同
• NotebookLM：适合文档/PDF，视频支持有限，不是同一赛道

可落地的工作流建议

Step 1：视频预处理
└── 超过 45 分钟？→ 分段（每段 ≤30 分钟）
└── 图表密集？→ 准备手动补录关键数据

Step 2：Prompt 选择
└── 快速摘要 → 通用版 Prompt
└── 深度研究 → 纪录片专用版 Prompt

Step 3：输出验证
└── 随机抽查 3-5 个事实点，对照原视频
└── 重点核查采访引用的来源归属

Step 4：二次加工
└── 导入 Notion/飞书，按需重组结构
└── 用高亮标记"待核查"内容

---

结语：够用，就是最好的答案

做完这次测试，我的结论很务实：Qwen 3.5 的长视频理解能力，已经可以承担"初稿笔记员"的角色。

它不能替代你的判断，不能完全信任它的每一条数据，但它能帮你把 3 小时的工作压缩到 30 分钟——剩下的时间，用来做只有人才能做的事：判断、筛选、赋予观点。

这对我来说，已经足够了。

---

不需要排队申请内测，直接用 [api.884819.xyz](https://api.884819.xyz) 调 Qwen 3.5 的 API，按量计费，上面两个 Prompt 模板复制过去就能跑。

🎁 新用户注册即送 50 万 token，想要更多可以通过工单联系客服申请，再手动赠送 200 万 token。国产模型（Deepseek / 千问等）完全免费，没有月租，按量付费，长视频测试完全够用。

>

👉 [api.884819.xyz](https://api.884819.xyz)

---

顺便说一句——我在测试过程中发现，把 AI 的笔记再喂给另一个 AI 做二次提问，效果比直接问视频本身还要好。这个"套娃工作流"我下周会单独写一篇，感兴趣的先收藏这篇。

---

#AI工具 #Qwen #长视频理解 #AI笔记 #效率工具 #8848AI #纪录片 #AI工作流