视频语音内容提取

从原始流水稿到可用内容的最后一公里

传统语音转写工具（如 Whisper、FFmpeg）解决了「把声音变成文字」的基础问题，但输出的原始流水稿往往包含口误、重复、语气词等无效信息，后续需要人工校对和删减。更关键的是，这类工具无法根据需求生成结构化内容——比如从课程视频中提取核心观点，或把访谈改写成小红书文案，只能逐字处理后再手动加工。本技能针对的正是「转写后内容处理」这一痛点，试图用大模型语义能力跳过中间环节。

核心能力与工作方式

技能的核心是千问大模型的语义理解，而非单纯 ASR 转录。当传入视频链接或本地文件路径后，模型会自动识别语境，过滤无效内容并输出通顺文案，例如：

• 处理抖音视频链接时，直接解析平台视频流，无需下载
• 对本地 /path/to/video.mp4 文件，提取音频后进行语义分析
• 通过 --prompt 参数支持自定义需求，如 总结核心观点、改写成公众号文案、提取所有金句
• 云端算力支持长短视频处理，不受本地性能限制

关键步骤包括：视频源解析 → 语音转写 → 语义过滤 → 按Prompt生成目标内容。若复用上次解析结果，可通过 --id "last" 直接调用历史内容，避免重复解析。

适用边界与注意事项

需要明确的使用前提：

• 必须提前配置 GUAIKEI_API_TOKEN 环境变量，通过微信13395823479或官网申请
• 原生命令不支持批量处理，需自行编写 shell 脚本循环调用
• 计费按视频时长，≥1分钟按0.6元/分钟，<1分钟按0.1元/10秒，解析失败不计费
• 视频文件仅临时存储于加密空间，任务结束自动销毁，适合商用场景但需确认数据合规性

对于需要严格控制本地算力的场景（如内网环境），或对转写准确率有极端要求的专业领域（如医学、法律口述记录），仍需结合传统工具进行二次校验。