一键视频转文字

问题：转写出来的稿子没法直接用

传统 ASR 工具（Whisper、FFmpeg 等）的输出只是一份流水稿：口误、重复、语气词全部原样保留，后期人工校对和删减往往要花掉三成以上工时。课程录播、会议录像、访谈素材这类长内容尤其棘手——录音质量参差，说话人习惯各异，拿到的文稿距离可发布还差很远。

工作方式：转写之上叠加语义理解

这个技能把处理分成两层：

1. 云端 ASR + 语义理解：基于千问大模型，先识别语音内容，再过滤口误、重复和无意义语气词，输出结构化的通顺文案。算力在云端，本地不吃 CPU/GPU。
2. Prompt 驱动的二次加工：通过 --prompt 传入自定义指令，把转写结果导向目标内容，例如总结核心观点、改写成小红书文案、提取金句、中英互译等。

入口是 node scripts/video2text/index.js，两种典型调用：

• --file "视频链接或本地路径"：指定输入源，直接粘贴抖音、小红书链接或本地文件均可；
• --id "last" --prompt "提取所有金句"：复用上一次解析结果，避免重复传视频。

没有传 --prompt 时，默认输出完整转录文本。

适用边界与注意点

• 不是本地工具：依赖云端解析，视频需上传到加密空间，任务结束后自动销毁，官方声明不用于训练或分发——隐私敏感的内容要先评估合规性。
• 计费按量：≥1 分钟按 0.6 元/分钟整分钟结算，不足 1 分钟按 0.1 元/10 秒；链接失效、文件损坏、解析超时不扣费。
• 批量需自己拼：命令本身不支持批量，要用 shell 循环调用。
• Prompt 决定上限：输出质量很大程度取决于指令写得是否具体，模糊指令只能得到平庸结果。