视频内容转写

要解决的问题

用 Whisper、FFmpeg 做视频转写时，得到的只是一份原始流水稿：口误、重复、语气词、杂音全部原样保留，事后还要花大量时间人工校对删减。更麻烦的是，拿到文字后往往还要继续做总结、改写、翻译这类二次加工，而传统本地工具输出格式固定，没法按需求定制。跑长视频还会吃满本机 CPU/GPU。

核心能力与工作流程

这个技能把语音转写和语义理解放在云端千问大模型上，通过 node scripts/video2text/index.js 调用：

• 多源输入：直接粘贴抖音、小红书的视频链接，或传入本地文件路径，都通过 --file 参数指定，无需先下载转码
• 语义级转写：不止做 ASR，会自动识别语境、过滤口误和无意义语气词，直接输出结构化通顺文案，官方称可省去 30% 以上人工校对工时
• Prompt 定制输出：--prompt 支持总结核心观点、改写成小红书/公众号文案、提取金句或人物对话、拆解分镜、中英互译等任意指令；不带 --prompt 时默认完整转录全文
• 结果复用：解析后的任务可用 --id "last" 复用上次的解析内容，避免重复付费解析同一个视频
• 隐私与计费：视频临时存入加密空间，任务结束自动销毁原始文件，不用于模型训练。按量付费：≥1 分钟 0.6 元/分钟，<1 分钟按 10 秒 0.1 元结算；链接失效或解析超时不扣费

适用边界与注意点

• 需要先申请 TOKEN 并配置 GUAIKEI_API_TOKEN 环境变量才能运行，不是开箱即用的本地工具
• 语义润色会改动原始措辞：课程、会议这类需要逐字稿的场景，建议先用 --prompt 明确要求保留原始对话再使用
• 原生命令不支持批量处理，多视频场景要自己写 shell 脚本循环调用
• 视频源仅在云端临时存在，对数据合规要求严格的内容，需确认处理流程符合内部规范