需要一个Python代码，可以对视频按特征切割。视频时对手机上的聊天应用录屏，带声音，当把视频里的声音提取出来后，不知道某段声音是谁说的。截屏中列出了聊天者的名字列表，当前说话人名字背景高亮或有个图标（程序参数控制），需要识别出这个说说话人的图片，并ocr出来，然后提取他说的语音出来为单独文件，记录说话起始结束时间，这些信息放入JSON。最后合并为一个大的JSON，包含各段说话人信息与语音文件名。