diff --git a/SyncNetInstance.py b/SyncNetInstance.py
index 497d44f..068a898 100644
--- a/SyncNetInstance.py
+++ b/SyncNetInstance.py
@@ -37,7 +37,9 @@ class SyncNetInstance(torch.nn.Module):
     def __init__(self, dropout = 0, num_layers_in_fc_layers = 1024):
         super(SyncNetInstance, self).__init__();
 
-        self.__S__ = S(num_layers_in_fc_layers = num_layers_in_fc_layers).cuda();
+        self.__S__ = S(num_layers_in_fc_layers = num_layers_in_fc_layers)
+        if torch.cuda.is_available():
+            self.__S__ = self.__S__.cuda()
 
     def evaluate(self, opt, videofile):
 
@@ -52,9 +54,7 @@ def evaluate(self, opt, videofile):
 
         os.makedirs(os.path.join(opt.tmp_dir,opt.reference))
 
-        command = ("ffmpeg -y -i %s -threads 1 -f image2 %s" % (videofile,os.path.join(opt.tmp_dir,opt.reference,'%06d.jpg'))) 
-        output = subprocess.call(command, shell=True, stdout=None)
-
+        # Audio extraction is still needed as a separate file for wavfile.read
         command = ("ffmpeg -y -i %s -async 1 -ac 1 -vn -acodec pcm_s16le -ar 16000 %s" % (videofile,os.path.join(opt.tmp_dir,opt.reference,'audio.wav'))) 
         output = subprocess.call(command, shell=True, stdout=None)
         
@@ -62,13 +62,14 @@ def evaluate(self, opt, videofile):
         # Load video 
         # ========== ==========
 
+        cap = cv2.VideoCapture(videofile)
         images = []
-        
-        flist = glob.glob(os.path.join(opt.tmp_dir,opt.reference,'*.jpg'))
-        flist.sort()
-
-        for fname in flist:
-            images.append(cv2.imread(fname))
+        while True:
+            ret, frame = cap.read()
+            if not ret:
+                break
+            images.append(frame)
+        cap.release()
 
         im = numpy.stack(images,axis=3)
         im = numpy.expand_dims(im,axis=0)
@@ -109,12 +110,18 @@ def evaluate(self, opt, videofile):
             
             im_batch = [ imtv[:,:,vframe:vframe+5,:,:] for vframe in range(i,min(lastframe,i+opt.batch_size)) ]
             im_in = torch.cat(im_batch,0)
-            im_out  = self.__S__.forward_lip(im_in.cuda());
+            if torch.cuda.is_available():
+                im_out  = self.__S__.forward_lip(im_in.cuda());
+            else:
+                im_out  = self.__S__.forward_lip(im_in);
             im_feat.append(im_out.data.cpu())
 
             cc_batch = [ cct[:,:,:,vframe*4:vframe*4+20] for vframe in range(i,min(lastframe,i+opt.batch_size)) ]
             cc_in = torch.cat(cc_batch,0)
-            cc_out  = self.__S__.forward_aud(cc_in.cuda())
+            if torch.cuda.is_available():
+                cc_out  = self.__S__.forward_aud(cc_in.cuda())
+            else:
+                cc_out  = self.__S__.forward_aud(cc_in)
             cc_feat.append(cc_out.data.cpu())
 
         im_feat = torch.cat(im_feat,0)
@@ -184,7 +191,10 @@ def extract_feature(self, opt, videofile):
             
             im_batch = [ imtv[:,:,vframe:vframe+5,:,:] for vframe in range(i,min(lastframe,i+opt.batch_size)) ]
             im_in = torch.cat(im_batch,0)
-            im_out  = self.__S__.forward_lipfeat(im_in.cuda());
+            if torch.cuda.is_available():
+                im_out  = self.__S__.forward_lipfeat(im_in.cuda());
+            else:
+                im_out  = self.__S__.forward_lipfeat(im_in);
             im_feat.append(im_out.data.cpu())
 
         im_feat = torch.cat(im_feat,0)
diff --git a/analysis_report.md b/analysis_report.md
new file mode 100644
index 0000000..1885d84
--- /dev/null
+++ b/analysis_report.md
@@ -0,0 +1,66 @@
+# SyncNet 深度分析与优化改进建议报告
+
+## 1. 现有项目深度分析 (SyncNet 2016)
+
+### 1.1 运行效率瓶颈
+*   **磁盘 IO 密集型架构**：该项目采用“ffmpeg 全量抽帧 -> 存储 JPG -> 读取 JPG -> 裁剪 -> 存储小视频 -> 读取小视频”的流程。对于 5 小时的 1080p 视频，会产生约 45 万张图片，严重消耗磁盘空间和 IO 带宽，导致处理速度远慢于实时。
+*   **陈旧的人脸检测器**：内置的 S3FD 检测器在 2024 年标准下显慢，且对侧脸、小脸的检测能力有限。
+*   **缺乏并行处理**：代码逻辑多为串行，未充分利用 GPU 异步处理能力和多核 CPU 优势。
+*   **内存溢出风险**：对于长视频轨道，项目试图一次性将所有帧加载到 numpy 数组中，在 64G 内存环境下处理 5 小时视频极易崩溃。
+
+### 1.2 识别准确率局限
+*   **短时间窗口**：SyncNet 仅观察 5 帧（约 0.2 秒）的视觉信息。在直播场景中，主讲人可能会有较长的停顿、抿嘴或受背景音乐节奏干扰，短窗口模型极易产生误报。
+*   **抗干扰能力弱**：无法有效区分说话、唱歌与背景音乐的节奏。
+*   **身份缺失**：SyncNet 只能判断“画面中的人是否在说话”，但无法持续追踪“哪个人是主讲人 A”。
+
+---
+
+## 2. 最新技术对比分析
+
+针对您的需求，我们将 SyncNet 与目前主流的 **TalkNet** 及 **Light-ASD** 进行对比：
+
+| 特性 | SyncNet (本项目) | TalkNet (推荐) | Light-ASD (推荐) |
+| :--- | :--- | :--- | :--- |
+| **时间上下文** | 0.2 秒 (5 帧) | **4 秒以上 (100+ 帧)** | 4 秒以上 |
+| **核心架构** | 3D CNN (VGG式) | **ResNet + Attention** | 轻量化 Conv + Attention |
+| **AVA 数据集精度** | ~70% mAP | **92.3% mAP** | **94.1% mAP** |
+| **抗噪/抗音乐性** | 差 (易受节奏干扰) | **优秀 (长程建模)** | 优秀 |
+| **处理 5h 视频预计**| 4-6 小时 (含 IO) | **约 45-60 分钟** | **约 30-40 分钟** |
+
+---
+
+## 3. 全方位优化改进方案
+
+### 3.1 架构级优化：从“磁盘中心”转向“流式中心”
+*   **流式解码 (已在 SyncNetInstance 中初步实现)**：我们已将 `SyncNetInstance.py` 中的 ffmpeg 离线抽帧逻辑替换为 `cv2.VideoCapture` 流式读取。这消除了处理长视频时产生海量临时图片的 IO 瓶颈。
+*   **进阶建议 (Decord/NVDEC)**：对于更高性能需求，建议进一步引入 `decord` 库或 NVIDIA 原生硬解码 `NVDEC`，直接将视频帧读取到 GPU 显存中，跳过 CPU 到 GPU 的拷贝。
+*   **异步并行流水线**：将“视频解码”、“人脸检测”、“特征提取”和“同步判断”分为独立线程/进程，形成流水线（Pipeline），实现 3080ti 的全负载运行。
+
+### 3.2 识别算法升级
+*   **模型更换**：建议使用 **TalkNet**。其核心优势在于：
+    1.  **Cross-Attention**：能自动学习音频和唇动之间的精细对齐。
+    2.  **Self-Attention**：捕获长达数秒的谈话状态，能有效区分短时杂音和真正的说话。
+*   **锁定主讲人 A (Face Re-ID)**：
+    *   引入 **InsightFace (ArcFace)** 提取人脸特征。
+    *   在视频开始时对主讲人 A 建模，后续通过特征距离匹配锁定 A。
+    *   即使 A 短暂离开画面或多人互动，也能精准标记“属于 A 的说话时间”。
+
+### 3.3 性能适配 (针对 3080ti)
+*   **分辨率下采样**：1080p 对唇语识别是严重的浪费。建议将检测区域缩放到 **720p** 进行人脸追踪，将唇部区域裁剪并缩放到 **112x112** 或 **224x224** 进行识别。
+*   **TensorRT 加速**：将 PyTorch 模型转换为 TensorRT 引擎，在 3080ti 上可获得额外的 2-4 倍推理提速。
+
+---
+
+## 4. 推荐实施路线图
+
+1.  **第一阶段 (快速改进)**：
+    *   将人脸检测器更换为 **RetinaFace** 或 **MediaPipe**。
+    *   删除 ffmpeg 图片落盘逻辑，改为 OpenCV 或 Decord 读取。
+2.  **第二阶段 (核心升级)**：
+    *   部署 **TalkNet** 模型作为特征提取核心。
+    *   集成 **InsightFace** 实现主讲人 A 的锁定与排除其他人干扰。
+3.  **第三阶段 (落地应用)**：
+    *   将结果输出为标准 JSON 或 SRT 格式，包含 `{"speaker": "A", "start": "00:01:02", "end": "00:01:10", "type": "talk/sing"}`。
+
+## 5. 总结
+SyncNet 作为一个 6 年前的项目，在**处理长视频的架构设计**上已严重过时。对于您的直播识别需求，**TalkNet + Face Re-ID + 流式解码**是目前最优的技术路径，不仅能将识别准确率从“可用”提升到“精准”，还能将处理 5 小时视频的时间缩短到 1 小时以内。