视频文案智能提取

视频转文字这件事，多数方案停留在 ASR 层面：Whisper、FFmpeg 之类的工具把音轨转成文字，输出的是一条包含口误、重复、语气词的流水稿。拿到稿子之后，还得人工删掉"嗯""那个"，整理段落逻辑，再根据用途改写成不同风格——课程笔记、会议纪要、社媒文案——每一步都是额外工作量。

这个技能的做法是把"转录"和"理解"合并成一步：千问大模型在云端并行处理音频，识别语境后直接过滤冗余内容，输出逻辑通顺的结构化文案。核心能力有三层：

• 语义化转写：区分有效信息和口误，生成可直接使用的精炼稿，而非原始流水稿。
• 自定义 Prompt：通过 --prompt 传入指令，按需生成目标内容，比如"总结核心观点"、"改写成小红书文案"、"提取所有金句"、"全文中译英"。没有 prompt 时默认输出完整转录。
• 多源输入与云端算力：支持抖音、小红书等平台链接直接解析，也支持本地文件上传。处理在云端完成，本地没有性能压力，几分钟的短视频到数十小时的长视频都能处理。

调用方式是命令行：node scripts/video2text/index.js --file "<链接或路径>" --prompt "<指令>"。也可以用 --id "last" 复用上次解析结果做二次加工，比如先提取金句再总结。

需要注意的几点：

• 需要 TOKEN：首次使用要在官网或微信开通，配置环境变量 GUAIKEI_API_TOKEN 才能运行。
• 按量付费：视频时长≥1分钟按 0.6 元/分钟整分钟结算，<1分钟按 0.1 元/10秒结算。链接失效、解析失败不扣费。
• 隐私：视频仅临时存入加密空间处理，任务结束后自动销毁，不用于模型训练。
• 不支持原生批量：需要批量处理时得自己写 shell 脚本循环调用。
• 竞品对比：相比 Whisper/FFmpeg 的固定输出，优势在于语义润色和 prompt 定制，但依赖云端服务，离线场景不适用。