文字稿搜索找的是词。SearchByVideo 找的是场景。
文字稿搜索只能找到说出口的词。SearchByVideo 能找到视觉场景、动作、物品和画面文字 — 因此即便是无声素材也有效，并返回你所描述内容的确切时间戳。
文字稿搜索对比 SearchByVideo
两者都能帮你浏览定位视频，但回答的是不同的问题。以下正是各自的优势所在。
| 能力 | 文字稿搜索 | SearchByVideo |
|---|---|---|
| 找到说出口的词 | 是 — 它的核心强项 | 是 — 外加其余的一切 |
| 找到视觉场景与动作 | 否 — 只有词 | 是 — 描述你看到的东西 |
| 在无声素材上有效 | 否 — 没有内容可转录 | 是 — 读取画面帧，而非音频 |
| 检测物品与画面文字 | 否 — 除非被说出口 | 是 — 看得见画面上的物品和文字 |
| 返回精确的时间戳 | 仅限有词出现的地方 | 是 — 跳转到确切的画面 |
| 跳转并导出片段 | 仅限有语音的片段 | 是 — 跳转并导出任意画面 |
文字稿搜索够用的时候
如果你只需要找到某段被说出口的内容，文字稿搜索直接而可靠。它在以下情况下大放异彩：
- 你想定位一句确切的口述引文或关键词。
- 视频是语音清晰的播客、采访或讲座。
- 你所关心的一切都是被口头描述过的。
当你需要场景搜索的时候
一旦你的查询关乎某个你看得见、而非某个被说出口的东西，文字稿就力有不逮了。以下情况请选择 SearchByVideo：
- 你在查找一个视觉场景、动作或物品。
- 素材是无声的 — 监控片段、空镜、无人机视频。
- 你需要画面文字，或某个没人旁白过的特定画面。
SearchByVideo 如何找到视觉画面
SearchByVideo 不是为音频文字稿建立索引，而是直接读取视频本身。
它分析画面帧
AI 会检视你视频的真实视觉内容 — 人物、动作、物品、场景以及屏幕上显示的任何文字 — 而不只是被说出口的词。
你用日常语言描述它
就像你平时说话那样输入你要找的东西 — 例如“有人搬着一个箱子” — 模型会把你的描述与素材中出现的内容进行匹配。
它跳转到确切的时间戳
你会落到你所描述内容发生的精确画面，随时可以查看、跳转或导出为片段 — 无需拖动进度条翻遍整段视频。
文字稿搜索究竟为什么建立索引 — 以及它在哪里成了盲区
文字稿只记录一件事：被说出口且成功识别的词。文字稿搜索所能找到的一切，都必须通过这唯一的漏斗。如果某个词被含糊带过、用识别器不支持的语言说出、或者根本没被说出口，它就根本不在索引里 — 无论查询措辞多么巧妙，也检索不到它。这就是根本性的局限。文字稿搜索并不是视频搜索的弱化版；它是拴在音频轨道上的一个文本搜索，继承了音频的每一处盲区。
文字稿搜索悄悄失效的四种场合
这些并非罕见的边缘情况。它们恰恰是大多数人真正需要搜索的日常素材：
- 无声空镜。 一段掠过海岸线的无人机航拍、一件在转盘上旋转的产品、一个双手打字的插入镜头 — 画面精美、实用，却完全没有一个字。文字稿工具什么也返回不了，因为没有内容可转录。而场景搜索能找到“海岸线的航拍镜头”，因为它读取的是画面帧。
- 游戏与体育。 那一次决定性的配合、那一记进球、角色捡起某件物品的瞬间 — 动作纯粹是视觉的，而解说（如果有的话）也很少点出确切的那一帧。描述那个动作，场景搜索就能落在它身上。
- 屏幕录制。 教程和演示中满是没人念出来的画面文字、按钮和界面状态。“带有导出按钮的设置面板”对文字稿而言是隐形的，但对一个能看见画面文字的模型来说却显而易见。
- 没人旁白过的视觉细节。 背景里的一辆红色汽车、白板上的一张示意图、一个面部表情、一个特定地点。如果说话的人没恰好提到它，文字稿就无法把它呈现出来 — 尽管它就明明白白地在画面上。
一个真实的工作流：在一长段素材中找到一个 3 秒的画面
假设你为一支产品视频拍了一长段原始素材，你需要箱子被打开、露出产品的那个确切瞬间。用文字稿工具你会束手无策：没人说过“我现在正在打开箱子”。你的选择只有拖动时间轴，或者靠章节标记去猜。而用场景搜索，你输入“箱子被打开的那一刻”，SearchByVideo 就会返回视觉上发生这件事的那几个时间戳，并按置信度排序。一次过去要花十五分钟拖动进度条的搜索，如今只需几秒 — 而且由于搜索一段已分析的视频是免费的，你可以立刻接着查找“产品标签的特写”，无需重新处理任何内容。
什么时候你仍然应该求助于文字稿
场景搜索并非在所有情况下都能取代文字稿，佯装如此是不诚实的。如果你需要一句口述引文的确切措辞 — 采访中的某句话、一份法律证词、一条讲座里的定义 — 文字稿才是对的工具，因为它精确地捕捉了语言。这两种方法回答的是不同的问题：文字稿为所说的内容建立索引，场景搜索为所见的内容建立索引。SearchByVideo 之所以两者兼顾，是因为大多数真实素材里，看得见的内容远多于被说出口的内容。若想更深入了解其中的机制，请参阅SearchByVideo 如何运作，或阅读通俗易懂的视频搜索指南.
常见问题解答
没有文字稿也能搜索视频吗？
能。SearchByVideo 搜索的是视频的视觉内容，所以你不需要文字稿、字幕或任何语音。描述你想要的场景、动作、物品或画面文字，它就会返回确切的时间戳 — 即便是无声素材也行。
文字稿搜索能找到视觉场景吗？
不能。文字稿搜索只匹配真正被说出并转录下来的词。除非有人恰好把那些词说出口，否则它无法找到某个视觉场景、动作、物品或画面文字。对于任何你看得见但没人描述过的东西，你需要场景搜索。
我怎样在视频里搜索某个物品或动作？
用日常语言描述它 — 例如“有人打开一扇红色的门”或“笔记本电脑屏幕的特写”。SearchByVideo 会分析视频的画面帧，把你的描述与视觉上出现的内容匹配，直接把你带到它发生的时间戳。
场景搜索比文字稿搜索更准确吗？
对于视觉查询而言，是的 — 文字稿搜索根本没有关于屏幕上出现了什么的数据，因此它完全无法回答这类问题。而要找到一句确切的口述引文，文字稿则直接而可靠。这两种方法回答的是不同的问题，SearchByVideo 补上了文字稿所遗漏的视觉那一半。
我能搜索无声视频素材吗？
能。因为 SearchByVideo 读取的是视觉内容而非音频轨道，所以它对监控素材、无人机片段、空镜、屏幕录制以及任何没有语音的视频都有效。基于文字稿的工具在无声素材上什么也返回不了，因为没有词可供建立索引。