通过 AI 给电影写解说文案

思路是这样：

1 、本地处理：给电影文件和电影的 srt ，通过 srt 分析大概的剧情和人物，然后设置 srt 的间隔时间，比如间隔时间超过 5 秒了这一段判断为无字幕区域

2 、得到无字幕区域之后，接上本地开源项目做场景检测，设置每一个场景截取 3-6 张图 这一步 ffmpeg 就可以搞定

3 、压缩图片大小和质量，删除无用的图片

4 、把 srt 和图片交给豆包或者其他第三方的 api 来处理、给出文案风格建议等等设定

5 、最后得出这部的文案

以上都实现了，但 token 消耗巨大，对于长电影文字和图片居多，无法一次性交给接口处理，如果循环分段处理就会出现上下文的问题，那我就把第 1 段的内容总结+第 2 段的分析这样让他去理解上下文，但还是太差了，还有就是文案的风格无法固定或者说不统一，大神们有什么想法或者建议吗？