对于一些理解视频的项目，比如【1】通义千问的音视频速读，【2】readlecture， 
最后的结果中会有视频中的截图，想请教各位佬这种该如何实现？如何捕捉视频中有用的帧？ 
【1】https://tongyi.aliyun.com/efficiency/ 
【2】Ai好记 - AI音视频转图文