Mac本地AI视觉搜索工具开源
推荐指数 63.0 NO. 009 · 2026.10.05
发布2026/10/04Score114Comments58
为什么值得看
一款macOS原生应用，用本地视觉模型对任意文件夹中的照片和视频逐帧建立语义索引，支持自然语言搜图、OCR文字和Whisper语音台词定位。对处理大量素材的创作者和需要合规留存的团队来说，本地优先+无上传意味着可以跳过云服务的隐私审查和成本焦虑。
编辑判断
目前个人媒体管理的默认方案是Google Photos或Apple Photos的云索引，但企业素材、敏感截图、未发布视频根本不能上传。现有本地替代如PhotoPrism依赖传统EXIF和标签，语义搜索能力弱；这个工具把CLIP级视觉模型+Whisper ASR做到了端侧，且支持 watched folder 自动增量索引，解决了'先整理再搜索'的启动成本问题。
和ClipHound、img2dataset这类偏开发者工具的项目不同，它的定位是消费级产品，有tab保存和模式切换等交互设计。最该试的人是：每天截几十张图的产品经理、需要翻历史素材找'那个镜头'的视频创作者、以及受GDPR/等保约束不能走公网的医疗/金融团队。
潜在风险是本地embedding的存储膨胀——按每帧一个向量算，1小时视频可能产生数万条记录，Mac SSD空间紧张的用户需要关注它的压缩策略。
社区反馈
意见分歧 57 条评论
核心争论：本地视觉搜索的核心瓶颈是视频处理效率，帧采样策略决定可用性
I like the entire premise, the one thing stopping me from trying this is not knowing the time scales that I will need to set my computer aside for the processing of large folders of video frames, or my photos library's videos, some 12,000 videos
Having built something similar with CLIP on an M1, frame sampling rate is the whole ballgame. One frame a second on 12k videos is days, keyframes only got me to an overnight run.
Have you tried scene detection? I would guess camera cuts are even less frequent than keyframes.