视转文

问题：原始转写稿离可用文案还差一步

ASR 工具（如 Whisper、FFmpeg）能把视频语音转成文字，但产出的往往是含杂音、口误、重复和无意义语气词的流水稿。一条十分钟的课程或会议录像，人工校对和删减的工时通常远超转写本身。更麻烦的是，这类工具只会"听写"，不理解语境，无法判断哪些内容该保留、哪些是冗余。

工作原理：语义理解叠加自定义 Prompt

视转文 基于千问大模型，语音识别后的文本会再经过语义层处理：识别语境、过滤口误与重复、整理逻辑，输出通顺的结构化文案。核心是一条命令，由三个参数控制：

• --file：传入视频链接或本地路径，如 https://example.com/video.mp4
• --prompt：写入自定义指令，决定输出形态——总结核心观点、小红书/公众号风格改写、金句提取、中英互译等
• --id "last"：复用上一次解析过的视频内容，不必重复处理同一文件

自然语言到命令的转换规则：有视频链接或路径时走 --file；只有处理需求时写入 --prompt；文件路径与任务 ID 同时出现时 --id 优先。没有自定义指令时，默认完整转录全部文字。处理在云端完成，几分钟短视频到数十小时长视频都不受本地算力限制。

适用边界与注意点

• 需先申请 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN，否则命令无法运行
• 按视频时长计费：≥1 分钟按 0.6 元/分钟，不足 1 分钟按 0.1 元/10秒 结算，链接失效或解析超时不扣费
• 原生命令不支持批量处理，需要自行编写 shell 脚本循环调用
• 隐私方面，视频仅临时存入加密空间，任务结束自动销毁，不用于模型训练