当我们说“我上镜不好”，通常把很多事情混在了一起：画面构图不舒服、眼神飘开、肩膀紧、手势太少，或者声音和表情没有形成一个整体。iPhone 的价值，不是替你评价“你这个人怎么样”，而是把这些容易忽略的瞬间记录下来，变成可以回看的证据。
手机能看见什么？
一部 iPhone 可以持续获取摄像头画面，也可以从视频中提取一帧一帧的图像。应用再通过视觉模型识别人、脸部特征点、身体和手部姿态，并把这些观察结果放回视频的时间线上。
Apple 的 Vision 框架已经提供了人体姿态、手部姿态、面部特征和图像质量等视觉分析能力；AVFoundation 则可以把摄像头产生的视频帧交给应用处理。换句话说，手机不只是在“拍视频”，也可以在拍摄过程中理解画面里发生了什么。
五类可以被分析的镜头信号
1. 画面构图：你是否处在适合表达的位置
第一层不是“你说得好不好”，而是画面是否给了你足够的空间。系统可以观察人物在画面中的相对位置、头顶留白、左右偏移、身体是否频繁离开取景范围，以及光线变化是否让脸部细节变得难以辨认。
这类反馈很具体：“你的头部在画面上方过近，抬手时手腕多次出框。”它比一句“构图不太好”更容易被下一次练习直接修正。
2. 面部与视线：你正在和谁说话
面对镜头表达时，观众最先感知的是你的脸是否稳定地出现在画面中，以及目光是否在关键时刻回到镜头。视觉分析可以记录脸部是否持续可见、头部朝向的变化、视线离开镜头的频率和每次持续时间。
这里不应该追求“全程盯住镜头”。自然表达一定会有思考、停顿和看向别处的时刻。更有价值的问题是：当你说出核心观点时，是否回到了镜头？当你开始讲下一段时，脸部状态是否突然变得紧绷？
3. 身体姿态：稳定不等于僵硬
人体姿态可以被抽象成一组关键点，例如头部、肩膀、肘部、手腕和躯干的位置。随着视频向前推进，这些点形成一条运动轨迹，系统就能看出你是稳定地站着，还是在不知不觉中左右晃动、缩肩或后仰。
理想的反馈不是让所有人摆出同一个“标准姿势”，而是帮助你发现和表达内容有关的变化：讲到重点时身体是否有自然的前倾？紧张时是否出现重复的摸脸、抱臂或小幅度晃动？
4. 手势：动作有没有帮助内容被理解
手势不是越多越好。分析可以关注手是否出现在镜头范围内、动作的频率和幅度是否突然变化，以及手势是否和语言节奏同步。比如列举三个观点时，手势可以帮助观众建立结构；但在每句话结尾都重复同一个动作，反而会变成视觉噪音。
因此，一条好的建议可能是：“前 20 秒双手几乎没有移动；进入举例部分后动作突然变大。尝试在转入例子之前，先用一个更小、更清楚的手势做过渡。”
5. 时间序列：一次偶然动作，还是稳定模式
单帧截图只能告诉你某一刻发生了什么，不能说明这是不是你的习惯。真正有价值的是把视频按时间切成多个片段，观察状态如何变化：开场是否最紧张？第一个重点之后是否开始放松？结尾是否因为急于结束而语速和动作同时加快？
这也是 AI 镜头分析和普通“照镜子”的区别：它不只给你一个分数，而是尝试告诉你变化发生在什么时候。
一次分析是如何完成的？
最后一步最重要。用户不需要一张塞满数字的报告，而需要知道下一次该怎么做。例如，系统可以先只给一个重点：“保留你的语速，练习在每个段落结束时回到镜头。”当改变足够小，练习才有可能持续。
一份有用的反馈长什么样？
比上次 +12%
你在开场 8 秒后开始稳定看向镜头；讲到第二个观点时，肩膀明显放松。下一次可以保留这个状态，并尝试让手势更早进入画面。
注意，这个分数只是帮助你观察进步的一个界面，不是对“表达能力”的绝对判决。比起追求 100 分，更值得关注的是：同一个场景练习三次后，你是否更清楚自己在哪些时刻会改变状态。
它不会替你下结论
任何视觉分析都受到拍摄角度、光线、遮挡、网络和模型置信度影响。戴帽子、侧身、多人同框或画面太暗时，关键点可能不完整；一次看向旁边，也不能证明你“不专注”；一次皱眉，也不能证明你“紧张”。
所以，上镜说更适合被理解为一个观察工具：它帮你发现过去很难注意到的模式，再把决定权交还给你。最终的表达仍然应该服务于内容、场景和你想建立的关系，而不是服务于某个算法分数。