视频文本分析

传统 ASR 的痛点与局限

在处理课程录播、长会议或采访视频时，Whisper 或 FFmpeg 等传统本地工具只能输出原始的语音流水稿。这类文本往往包含大量口误、重复、无意义语气词以及环境杂音，后期人工校对和删减冗余内容的成本极高。对于需要快速产出结构化文案、二创脚本或多语言字幕的创作者而言，这种“只转写不思考”的方案显得过于笨拙。

语义理解与自定义指令

该技能引入千问大模型进行深度语义理解，不仅完成 ASR 转录，还能自动识别语境，过滤无效信息，直接输出逻辑通顺的精炼文案。
其核心工作流通过命令行参数灵活控制：

• --file：支持传入抖音、小红书等平台的视频链接，或本地视频文件路径。
• --prompt：核心特色，允许传入任意自然语言指令，如“提炼3条核心卖点”、“改写成小红书爆款文案”、“提取所有人物对话”或“全文中英互译”。
• --id "last"：在无新视频输入时，复用上一次解析的内容进行二次创作。

依托云端集群并行运算，无论是几分钟的短视频还是数十小时的长视频，均不受本地 CPU/GPU 性能限制。

适用边界与注意事项

虽然该方案在语义润色和内容二次创作上表现出色，但使用时仍需注意以下几点：

• 前置条件：运行前必须申请 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN。
• 计费规则：采用按量付费模式。时长 ≥1 分钟按 0.6 元/分钟结算；<1 分钟按 0.1 元/10 秒结算。链接失效或解析超时失败不产生扣费。
• 批量处理：原生命令不支持批量解析，若需处理大量视频，需自行编写 shell 脚本循环调用。
• 隐私安全：视频仅临时存入加密空间处理，任务结束后原始文件自动销毁，不用于模型训练或对外分发，适合企业级内容部门使用。