正在偵測 WebGPU…
只看畫面，聽不到聲音。搜尋先從每 5 秒一格開始，第二輪再補到每秒一格；補完之前，短於 5 秒的鏡頭可能會漏掉。
打一句你要找的東西，像是「狗跑過草皮」，就能直接跳到那個片段。影片不會離開你的電腦。
檔案不會離開你的瀏覽器 — 全部在本機處理。
正在偵測 WebGPU…
只看畫面，聽不到聲音。搜尋先從每 5 秒一格開始，第二輪再補到每秒一格；補完之前，短於 5 秒的鏡頭可能會漏掉。
把影片拖進來，然後描述你要找的畫面：「狗跑過草皮」、「有長條圖的那張投影片」、「海上的夕陽」。也可以拖一張截圖進來、貼上或選檔，找出長得像它的片段。頁面會先每 5 秒抓一格畫面，用 EmbeddingGemma 2 模型在你的顯示卡上把每格轉成向量，你打的字或丟的圖也用同一套方式轉成向量。只要前幾格索引好，就能開始搜。接著第二輪會在背景補到每秒一格，你隨時可以暫停或繼續。最接近的片段最多列 12 個結果，每個都有縮圖和時間碼。點一下播放器就從那裡開始播；按「到 Video Trimmer 剪」，到了 Video Trimmer 再選一次同一個檔案，那段範圍就會自動填好。
第一次使用會下載一次約 344 MB 的模型檔，之後就留在瀏覽器裡直接載入。模型靠 WebGPU 跑，所以你需要桌機或筆電上的 Chrome 或 Edge，而且要有顯示卡。沒有 WebGPU 就沒有退路，因為這個模型在這裡沒辦法用 CPU 跑，頁面會直接告訴你，不會硬撐。Safari 和 Firefox 沒測過，所以不敢說能用。影片絕對不會上傳：畫面的解碼和索引都在這個分頁裡完成，任何內容都不會離開你的電腦。
排名看的是每格畫面和你那句話在語意上有多接近，模型並不真的看懂影片。看得見的具體東西最好找：某個物品、某個地點、某種顏色、某張投影片；「好笑的那段」這類抽象說法就很弱。它只看畫面、聽不到聲音，所以搜「有人在唱歌」只能靠畫面上的線索；想搜人講了什麼，請用 Voice Notes。第一輪每 5 秒只取一格，所以在細索引補到那一段之前，比 5 秒短的鏡頭可能剛好夾在兩格中間被漏掉。索引速度看你的顯示卡：GTX 1060 上第一輪每分鐘影片大約花 3 秒，40 分鐘的片子約 2 分鐘就能搜；細索引則是每分鐘影片約 15 秒。向量留在這個瀏覽器裡，關掉頁面再回來，選同一個檔案就會從上次停下的地方接著索引。能開的格式和 Video Trimmer 一樣，就是你的瀏覽器解得開的 MP4、MOV、WebM、MKV；電腦沒有 HEVC 解碼器的話，HEVC 影片會讀不出來。
不會。影片直接從你的磁碟讀取，畫面在這個分頁的背景 worker 裡解碼，AI 模型跑在你自己的顯示卡上。唯一的下載是模型本身，而且只下載一次；影片和你搜尋的文字都不會送到任何地方。
模型需要 WebGPU，而我們只在桌面版的 Chrome 和 Edge 上測過。沒有 WebGPU 的話它在這裡完全跑不起來，頁面會改顯示一張相容性表格。Safari、Firefox 和手機瀏覽器都沒測過，就算它們有 WebGPU 我們也不敢說能用。
看你的顯示卡。GTX 1060 上第一輪（每 5 秒一格）每分鐘影片大約 3 秒，40 分鐘的影片約 2 分鐘就能搜，第一次用還要加上那次 344 MB 的模型下載。接著細索引（每秒一格）在背景跑，每分鐘影片約 15 秒；你可以暫停、繼續，期間照樣能搜。第一輪跑到一半也能取消，已完成的部分一樣搜得到；只有模型下載和開檔這兩步不能取消。關掉頁面後再選同一個檔案，會從已索引的畫面接著做。
不行。它只看畫面，完全不聽聲音，所以講話、音樂、音效對它來說都不存在。想搜講出來的字，請先用 Voice Notes 把聲音轉成逐字稿，再到那邊搜。
第一輪每 5 秒只看一格，所以在細索引（每秒一格）補到那一段之前，比 5 秒短的鏡頭可能剛好落在兩格中間。就算補完了，不到一秒的鏡頭還是可能漏掉。每個結果都是從取樣到的那一格開始，所以你要的那一刻可能比顯示的時間碼早一點或晚一點。
我們拿三部開放授權的動畫電影、寫了 30 句畫面描述來測，其中 29 句正確的片段都排在前 3 名。這只是小規模測試：實拍影片和螢幕錄影都沒量過，抽象或太細節的描述也會比直接寫出看得見的東西差。
找到那一刻了？不重新編碼，直接把那段剪出來。
錄下你的螢幕，再從錄影裡搜某張投影片或某個步驟。
影片打不開時，看看它的編碼和容器格式。