🩰 DanceFlow · 舞韵星迹
AI 舞蹈评分工具 — 用计算机视觉帮助舞者精准提升
产品截图
产品定位
一句话：AI 帮你跳得更好——上传你和教学视频，AI 逐帧对比每个关节角度，告诉你哪里不到位、如何改进。
- 自学舞蹈的爱好者
- 舞蹈教室课后自练的学生
- 想量化教学效果的舞蹈老师
- 无需专业设备，手机录像即可
- 即时反馈，不用等老师
- 量化进步，看得见的提升
技术架构
视频上传 → 音频提取(Web Audio API) → 音频对齐(Chromagram + Cross-correlation)
→ 姿态估计(MoveNet/BlazePose, 33个关键点) → 时间轴重映射
→ 逐帧对比(加权余弦相似度 + DTW) → 四维评分 → 关键帧可视化
- Google MoveNet Thunder（33个关键点）
- 纯前端推理，TensorFlow.js
- 无需后端服务器，隐私安全
- Chromagram 12维音高特征
- Cross-correlation 找时间偏移
- 支持变速练习（0.5x/0.8x/1.2x）
- 四维评分：准确度×0.5 + 延展性×0.2 + 流畅度×0.15 + 节奏感×0.15
- 关节权重分配（躯干 > 四肢 > 手指）
- DTW 处理速度差异
- 纯前端 SPA，Cloudflare Pages
- 零后端成本，全球 CDN
- 移动端优先设计
关键指标
产品决策
舞蹈视频涉及用户身体影像，隐私极度敏感。纯前端推理 = 视频永远不离开用户设备。这不是技术炫技，是产品必须。
v1 用户反馈：如果教学视频从副歌开始但自己从前奏录，评分直接崩溃。音频先行对齐解决了"时间轴不一致"这个真实痛点。
舞蹈练习核心场景是降速学动作（0.25x/0.5x），没人需要加速看自己跳舞。砍掉加速 = 更简洁的 UI。
采访了 5 位舞蹈老师：准确度最重要（"动作做对了才能谈表现力"），节奏感次之（"跟不上拍就不是舞蹈"），延展性和流畅度是进阶维度。权重反映教学共识。
核心 Learnings
MoveNet 姿态估计本身精度不错，但直接比较两段视频的关键点序列效果很差——因为时间对齐、视角差异、体型差异这些"非AI问题"才是真正的瓶颈。花了 70% 精力在这些工程问题上。
v1 只输出一个总分，用户反馈"我知道我 72 分了，然后呢？"。v2 加了关键帧对比（红色标注差异最大的关节）和具体建议（"右臂延展不够，第3-5拍注意向上打开"）。可行动的反馈 >> 抽象分数。
TensorFlow.js 在移动端 Safari 的 WebGL backend 有严重内存泄漏。处理 30fps×60s 的视频需要分 batch 推理 + 主动 GC，否则 tab 直接 crash。调了三周才稳定。
从 0 到 1 独自走完"发现需求→定义方案→技术选型→实现→测试→迭代"全链路。当你亲手做过一次，你和工程师的对话质量完全不同——你知道哪些需求真的难、哪些"小改动"其实是大重构。
算法能算出"你的左膝角度偏差 15°"，但用户不关心度数。产品要做的翻译是：15° 偏差在这个动作中是"轻微偏差"还是"严重错误"？这需要领域知识（舞蹈教学理论）+ 用户研究，不是纯技术能解决的。
向非技术人解释 AI
- 用对方的语言：不说"姿态估计模型提取33个关键点做余弦相似度计算"，说"AI 像一面能看到你每个关节的镜子，它对比你和教学视频里每个动作的角度差异"
- 30秒 Demo 建立信任：让舞蹈老师现场录一段，30秒出评分+关键帧对比。她指着一帧说"确实这里手臂没到位"——信任瞬间建立。比任何 PPT 都有说服力
- 量化而非形容：不说"AI评分很准"，说"跟三位专业老师的评分对比，一致率85%"——她能判断这个数字够不够用
- 主动承认局限："AI 目前看不了表情和情绪表达，这部分还是得老师来"——她反而更信任了，因为你没有吹牛说AI什么都行
结果：舞蹈老师从"AI评舞蹈？不靠谱吧"变成"能不能给我的学生课后自练时用？"，并主动帮忙找了20个学生做测试。
Emily Wu · Side Project Portfolio · 2026