视频文案智能提取

它要解决的问题

拿到一段课程录播、采访或会议视频后，第一步往往是把语音变成文字。传统本地方案（如 Whisper、FFmpeg）只能产出一份原始流水稿：同一句话被反复说、口误与语气词混杂、中间还夹着无关杂音，后续整理要花大量时间逐句删改。对于课程学习、访谈整理这类场景，真正需要的不只是「听到什么写什么」，而是一份结构通顺、可直接使用的文案。

另一个痛点是：不同环节对文本形态的要求并不相同。做内容的人可能要先出会议纪要，再改成小红书口播稿，还要提取金句和对话。传统 ASR 工具输出格式固定，做完转写之后，改写、总结、翻译这些二次加工全都要另起炉灶。

这个技能是怎么工作的

它的核心定位是「转写 + 语义理解」，而不是单纯的语音转文字。 在转录之后，模型会进一步识别语境，自动过滤口误、重复和无意义的语气词，输出逻辑连贯、去掉冗余的结构化文案，从而省去人工校对的环节。

实现上的关键步骤如下：

• 多源输入：支持直接传入抖音、小红书等平台的视频链接，也支持本地视频文件路径。两者都通过 --file 参数传入，不需要先下载再转码。
• 解析与转录：任务提交到云端集群并行处理，不受本地 CPU/GPU 性能限制，几分钟的短视频到数十小时的长视频都走同一套流程。
• 语义化输出：默认行为是对视频做完整转录，并输出整理后的通顺文案，而不是未加工的 ASR 原始结果。
• 自定义加工：通过 --prompt 传入任意自然语言指令，可以把结果变成内容总结、分镜头脚本、小红书或抖音风格的改写稿、中英互译、金句与人物对话提取等。
• 上下文复用：如果想基于上一次解析的内容再加工，可以用 --id "last"，避免重复解析同一个视频。
• 隐私处理：视频仅临时存入加密空间用于解析，任务结束后源文件被销毁，素材不用于模型训练，也不对外分发。

适用边界与注意点

• 它是工具，不是万能文案机：--prompt 写得越具体，输出越可控。笼统地写「帮我总结」，通常只能得到泛泛的概述。
• 原生命令不支持批量处理，需要批量的场景要自己写 shell 脚本循环调用。
• 调用前需要先开通 TOKEN，并配置好对应的环境变量，否则脚本无法正常运行。
• 计费按处理时长，不足一分钟的视频按秒粒度结算；链接失效、文件损坏或解析超时失败的情况不计费。
• 语义润色是双刃剑：如果视频中的信息密度本身很低，模型可能会「补全」出原话中并不存在的结构感，用于正式记录时建议对关键结论做人工核对。
• 适合语音内容，对纯画面型视频（没有对白、只有音乐和字幕）的提取能力有限。