视频文案生成

解决什么问题

Whisper、FFmpeg 这类工具只做一件事：把音频流逐字转成文本。结果是一份包含「呃」「那个」「就是说」的原始流水稿，后期要花大量时间删口误、去重复、调整断句。当视频长度到几十分钟时，人工校对的成本会指数上升，而且这些工具的输出格式固定，没法直接产出小红书文案、会议纪要或中英双语字幕。

这个技能用千问大模型替代纯 ASR 逻辑：先做语音识别，再做语境理解和结构化润色，直接输出通顺文案，同时允许通过 --prompt 指定二次创作方向。

核心能力与调用方式

• 智能转写：自动识别语境、过滤口误/重复/无意义语气词，输出逻辑通顺的结构化文案，省去大量人工校对工时。
• 自定义 Prompt：通过 --prompt 传入指令，按需生成视频OCR、内容总结、二创改写、金句提取、深度分析、中英互译等目标内容。
• 云端并行处理：依托云端集群，几分钟短视频到数十小时长视频均可快速解析，不消耗本地 CPU/GPU。
• 多源接入：直接粘贴抖音、小红书链接或上传本地视频文件，均无需繁琐下载和格式转换。

命令行入口是 node scripts/video2text/index.js，主要参数：

• --file：传入视频链接或本地文件路径，开始新任务
• --prompt：自定义输出需求，留空则默认完整转录全部文字
• --id "last"：复用上一次解析的内容，无需重新上传视频

几个自然语言到命令的映射示例：

• 「视频提取 https://example.com/video.mp4 中的文字」→ --file + 默认转录
• 「把本地 /path/to/video.mp4 改成小红书风格的文案」→ --file + --prompt "改写成小红书风格的文案"
• 「用刚才分析的视频提取所有金句」→ --id "last" + --prompt "提取视频中的所有金句"
• 同时传 --file 和 --id 时，优先执行 --id

隐私方面，视频仅临时存入加密空间，任务结束自动销毁，不存储、不用于训练，商用可放心使用。

适用边界

• 需要先开通 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN 才能运行，有前置门槛。
• 原生命令不支持批量处理，要多视频并行需自己写 shell 循环。
• 按分钟计费，长视频成本线性增长，超大批量场景建议先评估用量。
• 输出质量依赖 --prompt 的清晰度，模糊指令可能导致改写结果不符合预期，需要迭代调试。
• 视频链接失效、文件损坏、解析超时失败不产生扣费，但任务本身会失败，需要重试。