上次讲了 go2rtc，这次让 AI 自动看完一天的监控录像
TimeCut 跑在 NAS Docker 上，用 go2rtc 接入摄像头，FFmpeg 循环录像，再让多模态模型从运动片段里挑出人员、车辆和包裹等事件，自动生成精华视频与当天日记。
前面分享 go2rtc 时，重点是把摄像头的 RTSP 流接进 NAS，再用浏览器查看实时画面。
但实时画面只是第一步。真正让人头疼的是录像回看：一天录下几十个小时，想找某个人、某辆车或一次快递到门口的画面，只能拖进度条慢慢翻。
foodpm/timecut 往前走了一步。它把摄像头接入、循环录像、运动片段筛选、精华剪辑和 AI 日记放进一个 NAS Docker 项目里。开启大模型模式后，它会从有运动的片段里抽帧，让多模态模型判断画面里有没有人员、车辆、包裹等值得保留的事件。
TimeCut 具体做什么
官方仓库把它定义为一个运行在 NAS Docker 上的智能监控录像系统，主要包含这几部分：
- 用 go2rtc 接入摄像头的 RTSP 或小米流，并提供浏览器实时画面。
- 用 FFmpeg 分段循环录制视频。
- 按天保留录像，过期文件自动清理。
- 用运动检测或大模型识别来筛选片段。
- 把活跃片段拼成精华视频，并长期保存。
- 让多模态模型根据当天的运动片段生成一篇日记。
- 用 Web 面板管理摄像头、录像策略和精华参数。
它的定位不是替代家用摄像头，也不是新的大模型服务，而是把现有摄像头录像变成更容易检索和回顾的内容。
它和 go2rtc 是什么关系
可以把两者看成上下游关系：
- go2rtc 负责接收和转发摄像头视频流，提供实时播放能力。
- TimeCut 在上面增加录像、片段管理、 AI 分析和日记功能。
- FFmpeg 负责实际录像、视频分析和片段剪辑。
- Python 、 FastAPI 和 SQLite 负责业务逻辑、管理接口和录像元数据。
简单说，go2rtc 解决“摄像头画面怎么接进来”，TimeCut 继续解决“录像怎么保存、怎么挑重点、怎么回顾”。
AI 是怎么分析摄像头的
TimeCut 不是把全天视频完整上传给大模型。仓库说明的流程是：先从录像中找出有运动的片段，再对这些片段抽帧，调用支持图片输入的多模态模型判断画面内容。
默认配置里，AI 精华识别是关闭的。开启后需要在面板中填写 API Key，并指定 OpenAI 兼容格式的 API 地址和多模态模型。
仓库给出的相关配置包括：
AI_ENABLED=false
AI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
AI_MODEL=qwen-vl-plus
AI_API_KEY=你的 API Key
AI_MAX_SEGMENTS=20
DIARY_ENABLED=false
AI_MAX_SEGMENTS 是每天最多交给大模型分析的片段数，也就是 API 调用次数上限。这个设置很重要，它能控制费用和分析时间，避免把每天所有运动片段都无限制地送去分析。
自动日记是什么
TimeCut 的“日记”不是简单把文件名拼在一起，而是让多模态模型分析当天的运动片段，再总结当天发生的事情。
生成后可以按日期浏览，点击查看详情。对家庭场景来说，它可能帮助你快速回忆：今天有没有人到访，快递大概什么时候送到，车辆什么时候进出，院子或门口发生过哪些变化。
但它仍然是模型总结，不是法律证据，也不保证每个事件都能识别准确。光线、遮挡、摄像头角度、运动片段切分和模型判断，都可能让日记漏掉事情或产生误判。
Docker 部署方式
官方推荐使用 Docker Compose，适合群晖、威联通、绿联等能运行 Docker 的 NAS 。
准备配置文件：
git clone https://github.com/foodpm/timecut.git
cd timecut
cp go2rtc.yaml.example go2rtc.yaml
cp .env.example .env
启动服务：
docker compose up -d
首次启动会拉取 TimeCut 和 go2rtc 镜像，不需要在 NAS 上编译。启动后，打开：
http://你的NAS地址:8090
摄像头、录像策略、精华检测和 AI 配置都可以在 Web 管理面板中调整，面板修改会持久化保存。
如果 NAS 无法顺利访问 GHCR，仓库也提供了按 CPU 架构下载镜像包的离线部署方式。 Intel/AMD 设备一般选择 amd64，部分 ARM NAS 选择 arm64，具体仍要看设备架构。
默认会保存多久
TimeCut 默认的录像保留天数是 7 天。录像文件会按分段保存，过期录像自动清理；精华视频则单独保存，不跟着普通录像一起删除。
仓库还提供这些常用设置：
- 录像分段时长默认 60 分钟。
- 可以连续录制，也可以设置录制间隔。
- 每日精华检测默认安排在凌晨 3 点。
- 精华视频默认时长为 5 分钟。
- 运动检测灵敏度范围是 1 到 100，数字越小越灵敏。
- 时区默认是
Asia/Shanghai。
磁盘空间要提前算好。摄像头数量、分辨率、码率、保留天数和是否保存精华视频，都会影响 NAS 存储压力。
这个项目适合谁
TimeCut 适合：
- 已经有 NAS 和 Docker，想把摄像头录像集中管理的人。
- 家门口、车库、院子或工作室需要长期录像的人。
- 不想每天翻完整录像，只想查看人员、车辆、包裹等重点片段的人。
- 已经在使用 go2rtc，希望继续增加录像和 AI 分析能力的人。
- 能接受配置大模型 API Key，并愿意承担调用费用的人。
它不太适合：
- 没有 NAS 、 Docker 或基本网络配置经验的人。
- 需要专业安防级别存证、报警联动和厂商售后的人。
- 不能接受摄像头画面发送到外部模型 API 的家庭或企业。
- 希望 AI 自动做出百分之百准确判断的人。
使用 AI 前要想清楚隐私问题
启用 AI 分析后，抽取出来的摄像头画面会被发送到你配置的多模态模型服务。这个服务可能是云端 API，也可能是你自己部署的模型，取决于 API 地址和模型配置。
在家庭环境中，画面里可能出现家人、邻居、快递员、车牌或室内活动。部署前至少要确认：
- 模型服务商如何处理图片和日志。
- API Key 是否只写在 NAS 的受保护配置中。
- Web 管理面板是否暴露到公网。
- 是否应该对某些摄像头关闭 AI 分析。
- 是否需要降低保存天数和分析片段数量。
如果只是想体验功能，可以先用不涉及室内隐私的摄像头和低数量片段测试。不要因为项目能自动分析，就默认所有画面都适合上传到云端。
它能不能替代专业监控系统
不能直接这样理解。
TimeCut 解决的是录像管理和回看效率。它能帮你自动整理片段，但没有因此获得专业监控系统的完整能力。告警可靠性、断网续录、硬盘故障恢复、权限审计、异地备份、录像防篡改和报警联动，都需要单独评估。
AI 识别也不能替代人工确认。人员、车辆和包裹属于模型对画面的判断，光线和遮挡都会影响结果。重要事件仍然应该回看原始录像，而不是只看 AI 生成的精华或日记。
一句话总结
go2rtc 让你看到摄像头，TimeCut 试图让你不用看完所有录像。
它用 FFmpeg 做循环录制，用运动检测减少分析范围，再用多模态模型从片段中挑出人员、车辆和包裹等事件，最后生成精华视频和当天日记。
对已经有 NAS 、 Docker 和摄像头的人来说，这是一个值得试用的家庭录像管理项目。真正部署前，先算存储成本，再确认 API 隐私和权限边界，最后从一个摄像头、小范围录像开始测试。
来源链接：https://github.com/foodpm/timecut