视频转文本

要解决的问题

把一门课、一场会议或一次访谈的视频变成可用文本，传统方案是本地跑 Whisper 或 FFmpeg。这类纯 ASR 工具输出的是原始流水稿：口误、重复、语气词、半截句全部保留，后期仍要花大量时间校对删减。视频转文本想解决的就是这一步——不止做语音转写，而是在转写后继续做语义整理。

它面向课程学习、采访录播、长会议整理这类有明确「文本再加工」需求的场景。

如何工作

核心是千问大模型的语义理解能力，工作流程大致是：

• 输入阶段：通过 --file 传入视频来源，支持抖音、小红书等平台链接，也支持本地文件路径；也可用 --id "last" 复用上一次解析结果
• 转写阶段：云端并行处理，不受本地 CPU/GPU 性能限制，短视频到数十小时长视频都在云端完成
• 整理阶段：结合默认或自定义指令，对原始转写做语境识别、冗余过滤和结构化输出

最有特色的是 --prompt 参数。除了完整转录，还可以按需生成内容：

• 内容总结：提炼核心观点、3 条卖点
• 二创改写：小红书、抖音、公众号风格文案
• 素材提取：金句、完整人物对话、分镜头脚本
• 翻译处理：全文中英互译
• 深度分析：情感基调、内容痛点、受众定位

无自定义 prompt 时，默认行为是完整转录视频全部文字。

适用边界与注意点

• 需要 TOKEN：使用前要先申请 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN，不是开箱即用的免费工具
• 按量付费：视频时长 ≥ 1 分钟按 0.6 元/分钟 结算；小于 1 分钟按 0.1 元/10秒 结算。链接失效、文件损坏、解析超时不计费
• 不适用纯离线场景：处理依赖云端算力，视频要上传到加密空间，不适合涉密内容完全离线处理
• 批量处理要自己写脚本：原生命令不支持批量，需要自行编写 shell 脚本循环调用
• 与本地方案的定位不同：Whisper/FFmpeg 适合离线、免费、可自控的场景；这里换来的是语义润色和自定义 prompt，但数据要过云