本方案利用Amazon的Nova多模态模型，实现视频高光识别与剪辑。通过视觉-语言模型（VLM）理解视频，输出高光片段时间点，并结合多模态嵌入模型（MME）进行语义匹配，以提高识别准确性，适用于多种视频场景。
完成下面两步后，将自动完成登录并继续当前操作。
