想找出几年前视频里一闪而过的招牌，靠文件名几乎没戏。SCM 把照片的“按意思搜索”扩展到视频：你可以用自然语言描述记忆中的画面，结果直接落到对应镜头和时间点，而不只是告诉你它在哪个视频文件里。这个开源 macOS 工具获得了 153 个 Hacker News 赞，说明本地媒体检索正吸引开发者关注。
它会切分视频场景，再生成 Embedding——把画面变成可比较的数字，让意思接近的描述和镜头排得更近。搜索还分两条更精确的路：OCR（把画面文字识别成可搜索文本）可找招牌、邮件或字幕；Whisper（OpenAI 的开源语音识别模型）负责转写对白，支持按原话查找。命中后会显示场景缩略图和时间码，每段视频最多展示三个场景，并用噪声门槛避免塞满牵强结果。
它强调本地优先：媒体不上传，模型权重首次下载后即可离线运行；默认 CLIP 模型约 435MB。项目目前面向 Apple Silicon、macOS 12 及以上，实际检索质量与资源占用，供稿未提供独立测试。