对于视频数据，除了抽帧再单独处理每一张之外，是否有更好的方法呢？

[xyw1]

是否已有关于该错误的issue或讨论？ | Is there an existing issue / discussion for this?

• [X] 我已经搜索过已有的issues和讨论 | I have searched the existing issues / discussions

该问题是否在FAQ中有解答？ | Is there an existing answer for this in FAQ?

• [X] 我已经搜索过FAQ | I have searched FAQ

当前行为 | Current Behavior

需要根据视频总结出摘要，视频拍摄角度有时候很混乱，先抽帧生成文本再总结的效果不好

期望行为 | Expected Behavior

No response

复现方法 | Steps To Reproduce

No response

运行环境 | Environment

- OS:
- Python:
- Transformers:
- PyTorch:
- CUDA (`python -c 'import torch; print(torch.version.cuda)'`):

备注 | Anything else?

No response

[LDLINGLINGLING]

目前我们的模型只有输入单张图片的能力，因此还是要处理成图片，好像没能想到更好的办法。