在这个内容井喷的时代，相信每一位创作者刷到令人惊艳的爆款视频时，第一反应往往不是欣赏，而是本能地在脑海中‘拉片’——这到底是怎么做出来的？
事实上，复刻爆款最耗时的门槛，恰恰在于第一步的‘逆向工程’。你需要弄清楚每一个镜头的底细：出镜的究竟是真人还是 AI 数字人？丝滑的 UI 界面是真实录屏还是代码动效？字幕是渲染在画面里的，还是后期轨加上去的？几段看似跳跃的对话，有没有可能出自同一次生成？
在过去，我们还能靠剪辑师的肉眼和经验来倒推制作方案；但在 AIGC 技术以假乱真的今天，仅凭人工去识别和逆向视频工程，难度已然呈指数级上升。
最近几天，GitHub 上突然冒出一个叫 rea-video 的项目，短时间内冲到上千星。它的定位很直接——逆向一切视频：不管是实拍口播、桌拍带货、AI 短剧、3D 科普、代码动效还是混剪，都能逐镜头告诉你画面、花字、剪辑和声音是怎么做的，并给出一套可落地的复刻方案。
rea-video：https://github.com/JuneYaooo/rea-video
rea-video 的名称和 Slogan “逆向一切视频”应该是致敬开源软件逆向工程项目 REA: Reverse Engineering 。它不仅能逐个镜头告诉你画面是实拍、AI 生成、3D 渲染还是纯代码写的，还能拆解出花字、剪辑节奏和配乐，并最终给出一套结构化的复刻方案。
rea-video 真正有意思的地方，不是判断一条视频是不是 AI，而是把「拉片」做成了一条证据链：先测像素、帧率和容器，再让模型看图，最后把结论编译成拍摄场次、生成单元和代码工程。
能拆什么、输出什么
rea-video 逐个镜头回答两个问题：这个画面是怎么做出来的，以及怎样用最少的成本重做一次。它不直接出片，产物是报告和复刻方案。
rea-video 把视频底层画面分成大约 10 类，包括：
- 实拍：口播、vlog、手持带货、探店等。会拆出场次与机位、景别、运镜、布光（附 12 种常见方案及器材清单）、调色。
- AI 生成视频：文生/图生、AI 短剧、AI MV。给出判断依据、每镜反推提示词，并按目标模型能力把多个镜头合并成尽可能少的生成次数。
- 数字人：声音驱动的人像口播。
- 3D / 动画：Blender/C4D 科普、产品动画、2D、定格等，判断是写代码渲染还是用视频模型近似。
- 代码/模板：文字动效、UI、图表、PPT 式卡片，可导向 Remotion 等代码重建。
- 录屏/截图、静图推拉、静帧定格。
同一镜头上还会单独标注后期叠加层（字幕、花字、贴纸、贴片）、嵌入的真实素材（录屏、产品图等），以及实拍上的 AI 后期加工（换脸、对口型、风格化、抠像换背景等）。声音方面会区分人声/AI 配音、配乐来源（AI 还是曲库）、BPM、卡点情况、音效落点。
最终输出主要包括：
- 一句话总结（例如「AI 视频 41% + 代码界面 59%，有 8 秒真实录屏，曲库配乐 122 BPM」）
- 按实拍 / AI 生成 / 代码分开的复刻方案
- 完整 report.html（逐镜首尾帧、证据、提示词、拍法、声音拆解）
- breakdown.json（结构化 Video IR）以及字幕 SRT/ASS、贴纸截图等包装层产物
rea-video 关键技术实现拆解：如何逆向一个镜头？
很多一键复刻工具的做法是直接抽帧丢给大模型（VLM）“盲猜”，这种做法不仅极易产生幻觉，而且效率低下。rea-video 的架构采用了 “确定性算法取证 + 视觉大模型语义分析 + 规则引擎兜底” 的混合架构。
1. 镜头切分（shots.py）
不是简单的帧差，而是结合多种信号并做自适应阈值：
- 用缩小的灰度缩略图计算 HSV 直方图距离（Bhattacharyya）+ 像素差分。
- 切点需同时满足「相对局部中位数明显升高」和「变化面积足够大」（避免元素弹出被误判为切镜）。
- 专门处理淡入淡出（亮度极低/极高持续一段时间）和交叉溶解（中间帧是否为两端帧的线性混合，并用 Farneback 光流排除纯运动造成的假阳性）。
项目在含多处短溶解的真值片上切点 F1 能到 1.0，切点检测是目前最稳定的部分之一。
2. 视觉特征提取（features.py）
这是确定性判断的基础，主要包括：
- 噪声与纹理：Immerkær 方法估计传感器噪声、平坦 8×8 块比例、覆盖 95% 像素所需颜色数（palette95）、轴向边缘比例等。渲染图通常更「干净」、颜色更少、边缘更规整；照片有传感器噪声和更丰富的色域。
- 帧率指纹：重复帧比例与规律性（24fps 拉到 30fps 会有特定模式）、清晰度周期起伏（插帧痕迹）。生成模型输出多为 24/25fps，手机实拍常见 60fps。
- 运动分析：用 LK 光流 + RANSAC 拟合全局相似变换（缩放/平移/旋转）。内点率高、残差小、运动补偿后几乎无残余，则判定为「整张图在推拉」（Ken Burns 类）。
- 其他：饱和度、对比度、暗部统计、人脸大小等上下文特征。
这些特征能可靠区分「静帧 / 静图推拉 / 代码动效 / 渲染 vs 拍摄纹理」等硬边界。
3. 分类与融合（classify.py + docs/decompose.md）
确定性层先给出概率，再与 VLM 融合。融合采用带权重的对数池化，并引入分组机制：先判大类（生成类 / 渲染类 / 实拍 / 录屏 / 静图），再在组内细分。硬约束包括「画面冻结不能判成视频生成类」「整图刚体推拉不能判成实拍或数字人」。
工具与 VLM 冲突时会明确标记「有分歧」，进入 Agent 必看列表。帧率只能证明「素材源是 24fps」，不能单独定罪为 AI。AIGC 元数据标识（GB 45438 等）出现时优先级很高，但平台转码经常清除。
实测上，纯工具在调参集和留出集上准确率很高（90%+ 到近 100%），但在强压缩的抖音带货片上会下降；加上 VLM 和 Agent 复核后可回到 97–100%。真实素材识别 97–99%。
4. 包装层（字幕、花字、贴纸）
不按镜头切，而是在整条时间轴上做：
- 每秒 2 帧 OCR 跟踪同一位置文字，再用更高帧率灰度图把起止对齐到约 0.1 秒。
- 从像素直接量字色、描边、底框、渐变、关键词变色、字号、倾斜等，并分类为字幕 / 花字 / 标题 / 标注。
- 贴纸识别基于「运动画面上的静态块 + 跨切镜持续」等规则，召回约 50%，其余靠 VLM/Agent 补。
- 输出 SRT、带样式的 ASS（可直接用 ffmpeg 压制）、timeline.json。
5. 声音分析（audio.py）
在 STFT 上做 HPSS 分离谐波与打击成分，再：
- 人声：3–8Hz 音节调制 + 停顿 + 基频估计（可给男女声提示）。
- 配乐：间隙里仍存在的有调性床声，或明显节拍周期；用起音自相关估 BPM，Krumhansl 轮廓估调性。
- 剪辑卡点：切点落在节拍/起音上的比例。
6. 复刻规划（capabilities + plan.py）
项目维护了一张「能力地图」：信号 → 原语 → 具体模型。routing.yaml 定义了从镜头类型到生成路线的规则（例如 AI 镜头走首尾帧 + 提示词，代码层走 Remotion，静图推拉可本地精确重建）。规划时会考虑目标模型的单次时长限制、多镜头支持、参考图数量等，尽量合并可一起生成的镜头。
目前拆解和 AI 镜头复刻路线已经可用，代码工程自动生成、完整验证打分等还在推进中。可以和作者的另一个项目 cheap-claude-video 配合，实现「换元素复刻」（保留运镜节奏，只换指定元素）。
rea-video 把「视频取证」和「可执行复刻计划」结合在了一起。对于想快速搞懂一条短视频是怎么做的、或者想低成本复刻结构的人来说，是一个很实用的工具，强烈推荐。