视频文案智能分析

解决什么问题

用 Whisper 或 FFmpeg 做视频转文字，输出往往是一份包含口误、重复、语气词的原始流水稿。把它变成能直接阅读或二次创作的文案，还得靠人工逐句校对、删减冗余，长会议或课程录播尤其耗时。本地方案还要先把视频下载下来、转成兼容格式，再消耗本机 CPU/GPU 跑转录，长视频经常跑到一半就没耐心了。

它如何工作

这个技能走的是云端千问大模型路线，输入视频后先做语音转写，再叠加一层语义理解：自动识别语境、过滤口误和无意义的语气词，最终输出一份逻辑通顺、结构清晰的文案，而不是未经处理的 ASR 原始稿。

输入方式比较灵活：

• 链接直连：直接粘贴抖音、小红书等平台的视频链接
• 本地上传：也可以传入本地视频文件路径

在此基础上，--prompt 参数是它的核心扩展点。除了默认的全文转录，你可以让它提炼核心观点、提炼核心卖点、改写成小红书或抖音风格文案、提取金句和人物对话、做中英互译，甚至分析情感基调和受众定位。没有自定义 prompt 时，默认行为是完整转录视频全部文字。

命令行的转换逻辑也值得说一下：

• 传入视频链接或文件路径时用 --file
• 只想复用上次解析的内容时用 --id "last"
• 同时传 --file 和 --id 时优先执行 --id
• 自然语言指令会被自动翻译成对应的命令行参数

比如把一段视频改写成小红书风格文案，命令大概是这样：

node scripts/video2text/index.js --file "/path/to/video.mp4" --prompt "改写成小红书风格的文案"

适用边界与注意点

• 需要提前开通 TOKEN：运行前要配置 GUAIKEI_API_TOKEN 环境变量，否则无法调用
• 按量付费：视频时长 ≥ 1 分钟按 0.6 元/分钟结算，不足 1 分钟按 0.1 元/10 秒计；链接失效、解析失败等异常不产生扣费
• 批量处理要自己拼：原生命令不支持一次跑多个视频，需要用 shell 脚本循环调用
• Prompt 效果依赖指令质量：虽然官方说支持任意自定义指令，但模糊的 prompt 可能带来不理想的输出，建议明确描述想要的格式和风格
• 隐私机制可满足商用：任务完成后视频源文件自动销毁，不存储、不用于模型训练