模型说明
最后更新：2026 年 11 月 1 日
Unipax 高光切片 使用以下 AI 模型处理你的视频。我们不使用任何图像或视频生成模型，不会合成人脸或声音，所有切片画面都来自你上传的原视频。
| 用途 | 模型 | 提供方 | 运行位置 |
|---|---|---|---|
| 语音识别（中文、英文、粤语、日语、韩语） | SenseVoice-Small | 阿里巴巴通义实验室（FunAudioLLM，开源） | 我们自己的处理服务器 |
| 语音识别（其他语言，兜底） | Whisper medium（faster-whisper） | OpenAI（开源） | 我们自己的处理服务器 |
| 人声段落检测 | FSMN-VAD | 阿里巴巴达摩院（开源） | 我们自己的处理服务器 |
| 挑选高光片段、生成标题和描述 | DeepSeek V4.1 Flash | DeepSeek（深度求索） | DeepSeek 模型服务（仅发送语音识别文字） |
| 画面中的人脸和人物定位（用于竖屏裁剪） | YOLOv8、MediaPipe | Ultralytics（开源）、Google（开源） | 我们自己的处理服务器 |
| 镜头切换检测 | TransNetV2、PySceneDetect | 开源 | 我们自己的处理服务器 |
数据如何流经这些模型
- 你上传的视频只在我们自己的服务器上处理：语音识别、人声检测、人脸定位和镜头检测都在本地完成；
- 只有语音识别得到的文字会发送给 DeepSeek 模型，用于挑选高光片段和生成标题；视频和音频本身不会发送给任何第三方模型；
- 生成的标题和识别文字都会经过内容安全检查，详见 使用政策。
内容安全
所有模型使用同一套内容安全流程：识别文字在送入大语言模型之前、生成的标题在交付之前，都会经过内容安全检查和违规关键词过滤，不能通过切换模型绕过。
如果模型有变更，我们会更新本页面。