技能介绍

要解决的问题

视频内容落到文本时，最常见的痛点不是“听不清”，而是原始 ASR 结果不可直接用：课程、采访、长会议里会出现重复、口误、语气词和碎句。Whisper/FFmpeg 这类本地方案擅长把音频转成原始流水稿，但不会理解语境，也不负责润色、总结或改写。

工作机制

这个技能把语音转写和语义处理放在云端，并允许用 --prompt 定义输出目标。

输入视频可以来自直链，也可以是本地文件路径。
不传 --prompt 时，默认输出完整文字内容。
传入 --prompt 后，可以把需求写成总结核心观点、生成小红书文案、提取金句、翻译、拆解分镜或整理会议纪要等。
参数上有 --file 和 --id 两种定位方式；只想复用上一次解析结果时，可用 --id 'last'。
相比纯 ASR，它会识别语境并过滤冗余内容，输出结构化文案。

适用边界与注意点

它不是离线本地工具，需要先申请 GUAIKEI_API_TOKEN 并配置环境变量。视频会进入云端临时加密环境处理，任务结束后销毁原始文件；如果文件损坏、链接失效或解析超时，不计费。原生命令不支持批量，需要批量处理时要自行用 shell 循环调用。按视频时长计费，短片段和长视频的结算粒度不同，接入前应确认成本。