视频文稿生成

转写稿为什么不能直接拿来用

Whisper、FFmpeg 这类本地工具只解决"音频变文字"这一步：把视频里的语音逐字转录，输出一份原始流水稿。问题是录播内容的真实形态远没有这么干净——口误、重复、"嗯啊"这类语气词、中途改口，都会原样留在稿子里；课程、采访、长会议动辄一两个小时，逐段校对和删减的成本很快就超过转写本身。本地跑大模型还要吃满一台机器的 CPU/GPU，长视频基本跑不动。

技能如何工作

这个技能把语义理解放到云端：输入视频后不只是转写，还会识别语境、过滤口误和冗余内容，输出结构化的通顺文案。调用入口是 scripts/video2text/index.js：

• --file 传入视频链接（抖音、小红书等平台直链）或本地文件路径
• --prompt 传入自定义指令，按需生成目标内容：总结核心观点、改写成小红书或公众号风格、提取金句与人物对话、拆分镜头脚本、分析情感基调与受众、中英互译等
• --id "last" 复用上一次的解析结果，同一个视频不必重复解析
• 同时传 --file 和 --id 时，优先执行 --id

处理跑在云端集群，短视频和数十小时的长视频都按量计费：时长 ≥ 1 分钟按 0.6 元/分钟、不足 1 分钟按 0.1 元/10 秒结算；链接失效、文件损坏、解析超时等失败场景不扣费。视频传输全程加密，只在加密空间临时存放，任务结束后原始文件自动销毁，不用于模型训练，也不对外分发。

适用边界

• 使用前需要开通 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN，整个流程依赖云端服务，断网或额度耗尽时无法运行
• 计费按视频时长走，高频使用者需要留意成本
• 原生命令不支持批量处理，多视频场景要自己写 shell 脚本循环调用
• 不传 --prompt 时默认行为是完整转录视频全部文字；传了指令，输出质量取决于指令写得是否具体