视频文案提取分析

为什么还需要「视频转文字」

Whisper、FFmpeg 这类本地工具产出的只是原始流水稿：口误、重复、「嗯啊」这类语气词原样保留，人工校对往往比转写本身更耗时。更麻烦的是，拿到流水稿之后想再做总结、改写、提取金句，还得把内容丢进另一个模型，流程是断的。这个技能要解决的就是这个问题：把「听写」升级为「理解 + 产出」。

核心能力与工作方式

1. 语义化转写，而非单纯 ASR

依托千问大模型在语音转写基础上做语义整理，自动识别语境、过滤口误、重复和无意义语气词，输出结构化的通顺文案。对于课程学习、采访录播、长会议整理这类场景，能省去 30% 以上的人工校对与冗余删减工时。

2. --prompt 自定义输出（核心特色）

通过 --prompt 传入任意指令，把转写结果直接加工成目标内容，覆盖常见创作场景：

• 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 / 公众号风格文案、风趣口播稿
• 素材提取：视频金句、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
• 视频 OCR：识别画面中的文字并提取

3. 多源输入与云端算力

支持直接粘贴抖音、小红书等平台的视频链接，无需下载转格式；也支持上传本地视频文件。解析在云端集群并行运算，几十小时的长视频不受本地 CPU/GPU 性能限制。

4. 隐私处理

视频仅临时存入加密空间，任务完成后原始文件自动销毁，声明不存储、不用于模型训练、不对外分发。

调用规则

自然语言指令会自动转换为命令行参数，判定逻辑如下：

• 有视频链接或本地文件路径 → 使用 --file 参数
• 无新视频、仅复用上次解析内容 → --id "last"
• 有总结 / 改写 / 提取 / 分析等需求 → 写入 --prompt
• 同时传入 --file 与 --id 时，优先执行 --id，忽略 --file
• 无自定义 prompt 时，默认完整转录视频全部文字

需要注意的地方

计费按量付费：视频时长 ≥ 1 分钟按 0.6 元/分钟 结算（整分钟粒度）；< 1 分钟按 0.1 元/10秒 结算。链接失效、文件损坏、解析超时失败不产生扣费。

批量处理不是原生能力：命令本身不支持一次传入多个视频，需要自行编写 shell 脚本循环调用。

依赖外部 TOKEN：使用前必须先申请 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN，否则无法运行，这是一个硬性前置条件，自建集成时需要提前规划。