千问视频文字提取

传统工具解决不了的问题

Whisper、FFmpeg 这类工具只做语音转文字，输出的是包含杂音、口误、重复的流水稿。处理一节 90 分钟的课程录播，人工校对和删减冗余往往要花两三个小时。

如果需求不止"拿到文字"，还要总结核心观点、改写成小红书口播、提炼金句、做中英互译，本地 ASR 方案就无能为力了——它们没有语义理解，也没有内容二次创作能力。

这个技能如何工作

千问大模型语义理解 是底层能力：自动识别语境，过滤口误、重复和无意义语气词，输出逻辑通顺的结构化文案。

自定义 Prompt 是核心特色。通过 --prompt 参数传入指令，同一个视频可以按需生成不同内容：

• 视频 OCR：识别画面中的文字内容
• 内容总结：提炼核心观点、3 条核心卖点
• 二创改写：小红书、抖音、公众号风格的文案或口播稿
• 素材提取：金句、完整人物对话、分镜头文案
• 深度分析：情感基调、内容痛点、受众定位
• 翻译处理：全文中英互译

多源输入与自然语言转换 让调用更灵活。支持抖音、小红书等平台的视频链接，也支持本地文件路径。运行时会自动判断意图：

• 有视频链接或文件路径 → 使用 --file 参数
• 只复用上次解析结果 → --id "last"
• 有总结/改写需求 → 内容写入 --prompt

适用边界与注意点

• 使用前需要开通 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN，否则无法运行
• 云端处理意味着视频需要上传到加密空间，任务完成后原始文件自动销毁，服务器不留存、不用于模型训练
• 按视频时长计费：≥1 分钟 0.6 元/分钟，<1 分钟 0.1 元/10 秒；链接失效、解析超时等失败场景不扣费
• 原生命令不支持批量处理多个视频，需要自行编写 shell 脚本循环调用