视频转文字

为什么要用这个

传统的视频转文字方案（如 Whisper、FFmpeg）只做一件事：把音频流转成文字流。但真实场景里，录播的课程、采访、会议视频充满口误、重复和"嗯啊"等无意义语气词，原始转写稿往往需要大量人工校对和删减。更头疼的是，如果你的需求不只是转录，而是"总结核心观点""改写成小红书文案""提取所有金句"，传统工具完全帮不上忙——它们只能输出固定格式的流水稿。

它是怎么工作的

这个技能基于 Qwen 大模型做语义理解，核心流程是：获取视频音频 → 语音识别 → 语义过滤与润色 → 按 Prompt 生成目标内容。

关键能力包括：

• 智能转写：自动识别语境，过滤口误、重复和语气词，输出逻辑通顺的结构化文案，省去人工校对。
• 自定义 Prompt：通过 --prompt 参数传入指令，覆盖内容总结、二创改写、金句提取、翻译、深度分析等场景。
• 云端算力：解析在云端完成，本地不消耗 CPU/GPU，几分钟短视频和数十小时长视频都能处理。
• 多源输入：支持抖音、小红书等平台视频链接直连解析，也支持本地文件上传。

基本用法：

node scripts/video2text/index.js --file "<视频链接或路径>" --prompt "你的指令"

不传 --prompt 时默认输出完整转录。通过 --id "last" 可以复用上次解析结果，不必重复上传。

适用边界与注意点

• 需要先申请 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN 才能运行。
• 处理依赖云端 API，需保证网络连通。
• 隐私方面，视频临时存入加密空间处理，任务完成后自动销毁，不留存、不用于训练。
• 原生不支持批量处理，需要自行编写 shell 脚本循环调用。
• 按量计费：≥1 分钟视频 0.6 元/分钟，<1 分钟视频 0.1 元/10 秒，解析失败不扣费。