视频理解与逐字稿分析怎么选：答案在画面还是讲话里
比较分析视频画面与只处理语音转写文本，说明演示动作、屏幕文字和引用时间怎样决定所需输入。
先说结论
怎样选择更合适
问题只依赖讲话内容时，可以先核对逐字稿再分析；答案依赖动作、图表或屏幕操作时，需要保留视频信息。视频理解与逐字稿可以组合，不能因为摘要提到某个动作就认为模型实际看见。先指出所需证据来自画面还是声音，再检查输入覆盖范围，并回到对应时间片段确认结论。
01
转写保留讲话却不保留全部画面
Gemini 的视频理解可以围绕视频内容回答并引用时间，语音转写则主要提取说话文字。实际处理可能涉及采样与输入限制，不能假定每一帧都以原始质量参与推理。演示者说“按这里”时，逐字稿缺少指向位置；画面中的数字即使没有念出，也可能影响答案。反过来，仅用稀疏截图可能漏掉短暂变化。任务需要完整动作时，应明确时间覆盖，不能用一组没有证明覆盖范围的截图替代整段视频。
02
同一视频分别检查说话和动作问题
准备一段允许使用的演示视频，人工确认一句讲话和一个只在画面出现的变化。文本方案使用实际转写，视频方案保存实际输入范围，逐题对照原片。若模型给出时间戳，播放该位置检查是否真有证据，不能把格式正确当作引用正确。对视频里没有出现的步骤，应明确无法确认，而非按常见软件流程补写。本文没有上传视频或进行模型对照，所有例子说明验证方法，不报告任何服务的理解准确率。
03
按检索与复核需求保存中间资料
讲话类资料可保存已校对文本供检索，同时把重要结论链接回原片。动作类问题则应保留关键片段与时间位置，避免只剩一段无法核对的摘要。模型或采样设置变化后，用短暂动作和屏幕小字重查难例。成本要包含视频处理与人工回看，文本短也不代表信息已经充分。选择依据是所需的证据形式。视频输入并非所有任务都更准确，逐字稿完整也不能替代必要画面。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。