直播录制视频中连麦/Pk 画面移除

求助，在录制 D 音等直播平台的视频时，有些主播之间的连麦画面想剔除掉，有什么自动化的工具或者程序包么？我试了一下 ffmpeg ，只能手动指定截取开始时间和时长这种方式，不能智能识别裁剪的起始位置和时长。 好比说一个视频中 有两个连麦画面，我需要手动找到这两个连麦画面的起始和终止点，然后剪切后拼接在一起。

有什么自动化的方式能够实现么，网上也找了一段 OpenCV 的代码，感觉效率低，而且通过画面中出现的人物数量判断太潦草了，甚至不如通过判断视频下面是否有黑边什么的更合理。