上周刷 GitHub 的时候撞见一个思路很新的项目：rea-video（Apache-2.0，GitHub API 实查 3,032 star，2026-10-29 创建，我写稿这天它还在提交）。它回答一个老问题——「这条视频是怎么做出来的」，但拆到了镜头级：每一镜判断是实拍、AI 生成、3D 渲染、代码模板渲染还是录屏，顺带把字幕时间轴、贴纸、BPM、音效卡点全列出来，最后给一份复刻方案。设计初衷是给 Claude Code、Codex 这类编码 Agent 当技能用，不开多模态模型也能跑——离线取证模式官方在自己的评测集上报了 98% 以上的制作方式准确率（RESULTS.md，注意那是它自己调参的样本集）。
我真正想验证的是另一件事：这些百分比是拿来干什么的？如果我手上有带答案的视频——切点是我自己定的、来源是我自己造的——它的结论能对上多少？它引以为傲的「容器元数据是硬证据」，经不经得起一行命令的伪造？于是我花了一上午，在 M4 / 16GB 的 MacBook 上把这几件事全做了一遍。
先说最反直觉的发现：它的「硬证据」确实很硬，但硬的方向是单向的——一行 ffmpeg 写进去的 AIGC 标识，能把 72 秒的真实实拍整个翻成「93% AI 生成」；可同一个标识贴在代码渲染的视频上，结论纹丝不动。
前两天我刚在这台机器上跑通了本地语音克隆的完整链路，这次轮到视频侧——都是「内容是怎么被生产出来的」这条线上的一环。
装起来：两分钟，两个坑
环境：macOS 26.5.2 / M4 / 16GB，ffmpeg 9.0.2（brew），Python 3.13.12。
# 环境：macOS + Python ≥ 3.10 + ffmpeg
brew install ffmpeg
git clone https://github.com/JuneYaooo/rea-video && cd rea-video
python3 -m venv venv && ./venv/bin/pip install \
"rea-video @ git+https://github.com/JuneYaooo/rea-video"
./venv/bin/rea-video --help依赖只有 numpy、opencv-python-headless、Pillow、PyYAML、onnxruntime 五个，在我这台机器上 pip 一共 51 秒装完。第一次跑 decompose 时它会自动下两个模型：约 67MB 的 UVR 人声分离模型和人脸检测模型，走的是直连，速度还行。
坑有两个，都在安装侧：
坑一：brew 装的 ffmpeg 9.0.2 没有 drawtext 滤镜。我本想用 ffmpeg 画几帧测试画面，报错 No such filter: 'drawtext'，这个构建没编进 libfreetype。最后我改用 PIL 逐帧渲染再喂给 ffmpeg 编码，顺手也把切点控制精确到了帧。
坑二：OCR 在 Python 3.13 上装不上。字幕时间轴和花字检测依赖 rapidocr-onnxruntime，而它所有可用版本都声明 Requires-Python <3.13。我的主环境是 3.13，装完会静默降级——日志里只有一行 WARNING，报告里就没有逐句字幕了。解法是给 OCR 单独开一个 3.12 的 venv（我用的 ~/.local/bin/python3.12，1.1 秒建好，加 OCR 依赖共 67 秒装完）。后面你会看到这一步值不值。
实测一：帧级答案卡——切点全对，分类全对
照搬我上个月测安全审计技能时的思路——那次的靶子是埋了 6 个洞的 222 行代码——这次我造了一份「带答案的视频」：用 PIL 逐帧渲染 648 帧、30fps、6 个镜头的扁平卡片动画，切点精确到帧——3.000 / 7.400 / 10.000 / 14.300 / 18.100 秒，真值分类是「代码渲染」。
# 环境：macOS，rea-video 0.1.0（git 安装版），离线模式（不开 VLM）
./venv/bin/rea-video decompose truth_code.mp4 -o out/truth --no-vlm结果：6 个镜头全部检出，6 个切点与真值逐帧一致，每一镜的判定都是 code_render，置信度 87%–95%，整体结论「代码/模板渲染 100%」。21.6 秒的视频跑完用了 17.4 秒，全程离线。
切点这种事对剪辑分析工具来说是最基本也最容易露怯的能力——帧率不一致、转场重叠都会让它漂移。0.25 秒交叉溶解这种场景官方评测标了 F1 1.00，我这次没有刻意造溶解帧，只验证了硬切，这点如实说明。
实测二：AI 生成视频——24fps 是个天然灰区
第二个真值来自 AI 视频模型：我用 text-to-video 生成了两段 5 秒素材（一段手持感橘猫嗅白瓷杯，一段厨房里对镜头挥手的年轻女性），原生输出 1344×768、24fps，拼成一条 10 秒视频。真值：两镜全是 AI 生成。
原生 24fps 文件直接测：两段都判 ai_video，但置信度只有 64%–65%。这不是偶然——我翻了它的源码，pipeline.py 里写得明明白白：24fps 源痕迹在 AI 视频、定格动画、电影机拍摄里都会出现，没有 AIGC 标识时这一类素材会被标成「待确认」。AI 视频模型偏爱 24fps 电影感输出，恰好落在这个灰区里。
把两段重编码成 30fps 再测（这也是普通用户剪映一转手就会发生的事）：两镜都升到 84% / 73%，中间切点照样精确在 5.000 秒。我又做了一轮压力测试：缩到 640×360、CRF 34 重压一遍——分类依然全对，置信度掉到 70% / 61%。结论：画质劣化会削弱置信度，但没把结论打翻；真正的分水岭在帧率层，不在码率层。
实测三：仓库自带样例——两处对不上官方数字
光测自己造的数据还不够，我拿仓库里自带的两个样例跑了同一套离线流程，对照 README 的案例描述：
| 样例 | 官方说法 | 我的实测 | 对得上的 | 对不上的 |
|---|---|---|---|---|
| unboxing（72s 沉浸式开箱） | 全实拍，29 镜 | 31 镜，实拍 93% + AI 6%，置信 0.481，36.3s | 主体正确 | 多出 2 镜；6% 被判 AI，且自己标了「93% 时长待确认」 |
| v10（70s 产品宣传片） | 83% 代码动效 + 12% 录屏，12 镜 | 10 镜，代码 91% + 静态图推拉 5% + 3D 4%，置信 0.84 | 代码占比吻合 | 12% 录屏没认出来，被并进其他类 |
这两处偏差都在合理范围，但值得写出来：官方 README 自己也承认，平台转码会抹掉传感器噪声证据，离线模式对转码素材只能给出「待确认」，要靠看图复核拉回。rea-video 的一点好处是它把这种不确定明明白白写进结论里——「93% 时长实拍还是 AI 待确认」这句话会原样出现在 verdict 里，而不是藏进附录。
实测四：一行 ffmpeg 伪造 AIGC 标识——硬证据是单向的
这是本次实测里我认为最有价值的部分。rea-video 把容器元数据里的 AIGC 隐式标识（国标 GB 45438-2025 那套 {"Label":"1","ContentProducer":...}）当作强证据。我就想试一下这个「强」到底强到什么程度，于是做了四组对抗实验，全部只动元数据、不动一个像素：
# 环境：macOS，ffmpeg 9.0.2；-movflags use_metadata_tags 是关键，
# 否则自定义键写不进 mdta box，probe 读不到
# ① 弱签名：注释里提生成器
ffmpeg -i in.mp4 -c copy -metadata comment="Generated with Kling AI" out1.mp4
# ② 相机标签：伪装成 iPhone 拍摄
ffmpeg -i in.mp4 -c copy -movflags use_metadata_tags \
-metadata make="Apple" -metadata model="iPhone 15 Pro" out2.mp4
# ③ 裸值：直接塞一个 aigc=1
ffmpeg -i in.mp4 -c copy -movflags use_metadata_tags -metadata aigc=1 out3.mp4
# ④ 合法国标隐式标识：Label=1
ffmpeg -i in.mp4 -c copy -movflags use_metadata_tags \
-metadata 'aigc={"Label":"1","ContentProducer":"0000000000000000","ProduceID":"spoof-test"}' out4.mp4| 实验 | 挂的对象 | 结果 |
|---|---|---|
| ① 注释提 Kling | 代码渲染真值 | 读到 generator 中等证据，置信 95%→76%，结论不变 |
| ② 相机标签 | 代码渲染真值 | 读到 camera 强证据，结论不变（95% 纹丝不动） |
③ aigc=1 裸值 |
代码渲染真值 | 解析失败，标记静默失效，毫无作用 |
| ④ 国标 Label=1 | unboxing（72s 真实实拍） | 整片翻转：实拍 93% → AI 生成 93% |
| ⑤ 国标 Label=1 | 代码渲染真值 | 结论不变（仍 100% 代码渲染），置信 95%→76% |
④和⑤合起来就是那个反直觉结论：AIGC 标识是「实拍↔AI」这条轴上的单向硬证据，它压得过像素统计，却压不过画面形态学判断（代码渲染该是什么样就是什么样）；但反过来，只要这条轴本身有争议，一条元数据就能定案。更微妙的是③：写了个解析不了的裸值，工具直接当不存在，报告里连「有一条损坏的标识」都不会提。
所以我的使用建议是：把 AIGC 标识当「有则信」的信号，永远不要当「无则不是」的证据——平台转码、剪辑软件导出都会把标识剥掉，剥掉不等于没生成过；反过来，带标识的素材也可以被人为写上。元数据在这个工具里是「强证据」，不是「防伪印章」。
实测五：免费模型当 Agent，它真的会看图
按官方设计的用法，rea-video 是给编码 Agent 用的技能。我把 skills/rea-video/（SKILL.md 110 行 + 8 份参考文档共 508 行）放进 opencode 项目的 .opencode/skill/rea-video/，用免费的 glm-5.3-flash-free 跑完整流程。这个体量和我 11 月初测 unslop 技能时差不多，免费模型扛得住。
agent 做对了整条链路：跑 decompose → 发现两个低置信镜头 → 生成看图复核任务（review_tasks.json）→ 自己逐镜看图填答案 → apply-review 并入，置信度从 0.70 提到 0.784。整个会话 60,856 input / 8,511 output tokens，花费 0 美元。这已经是本站用免费模型跑第三方技能的第三次实战——前两次分别是把 AI 味界面改成有设计感的页面和给 Agent 换一个不吃内存的无头浏览器，三单合起来看，「不配 Key、全靠免费模型」这条路在技能类工具上是走得通的，前提是技能文档别太长——rea-video 全部文档 508 行，而 security-audit 那种 1778 行的六阶段流程，免费额度撑不完。
我抽查了它的视觉描述是否属实：它说镜头一「白瓷杯里的液体隆起成丘、高过杯口边缘」，我把对应抽帧图调出来看——橘猫确实在嗅一只白瓷杯，暖色逆光；它说镜头二是浅灰针织衫的年轻女性在挥手，也对得上。它甚至自己发现结论表里残留了一个 static_graphic 的叠加层标注、主动去读了 packaging/timeline.json 核实为空，最后报告「无字幕无贴纸」，与我拼片时的实际操作一致（我只做了视频轨拼接，没加任何包装）。
另外它确认了一个我拼接时的副作用：concat 滤镜只映射了视频轨，成片真的没有音频流——而原生 24fps 的 AI 素材其实是带音轨的（工具在其中一段里测出 152 BPM 的 BGM 和人声）。「AI 视频自带音效」这件事会改变它的声音层结论，拼接时丢掉的音轨不会被判「无声音」，这是真实发生的行为差异。
OCR 那个坑，值不值得再开一个 venv
最后补测了 Python 3.12 + OCR 的组合，对象是上面没认出录屏的 v10 样例：
| 指标 | 3.13 无 OCR | 3.12 + OCR |
|---|---|---|
| 总耗时（70s 视频） | 10.2s（跳过包装层） | 52.5s |
| 字幕 | 无 | 33 句完整时间轴 |
| 音效 | 2 处 | 30 处，且 30 个全卡在文字/贴纸出现上 |
| 花字/文字标注 | 无 | 花字 1 处、文字标注 12 处 |
对动效类视频（画面即文字），OCR 开不开是「能用」和「好用」的差别：音效卡点这种叙事级的结论完全依赖字幕时间轴。代价是慢 5 倍。我的建议：抽帧预览确认有大量屏幕文字时再开 3.12 的 venv，普通实拍素材不值得。
什么时候别用它
写几条我的判断，供你对号入座：
- 别把它当鉴伪工具用。它判断的是「怎么做的」，不是「谁在说谎」——标识可伪造、帧率灰区、转码抹证据，三条路都通向误判。内容审核场景请配合人工。
- 平台下载的转码素材，离线模式的结论请一律按「待确认」读，别只看第一行的百分比；真要定量，得接 VLM 或让能看图的 agent 走复核（VLM 接入我未实测，
REA_VLM_*三个环境变量的配置流程与效果需自行验证）。 - 复刻半成品：
remake-run会真的调用付费视频模型，官方做了 dry-run 确认层，但我在这次测试里没有走到复刻执行（对应的 capsule-cinema 是独立项目），复刻质量无从评价。
至于它最亮的那部分——把一条 60 秒混剪拆成「实拍怎么拍、AI 怎么生成、代码怎么写」的三栏施工单——在我验证过的范围内是成立的：切点、分类、字幕、音效卡点都经得起带答案的对拍。对每天拆爆款短视频找思路的人来说，这可能是目前离线可跑的方案里最诚实的一个。