视频变文字

传统视频转文字的痛点

传统本地工具（如 Whisper、FFmpeg）仅完成语音到文字的机械转换，输出内容包含大量口误、重复、无意义语气词，需人工逐句校对删减。处理长视频时受限于本地 CPU/GPU 性能，格式固定无法定制，且无数据销毁机制，隐私安全存疑。

技能核心能力与工作流程

该技能基于千问大模型语义理解，突破传统 ASR 转录的局限：

• 语义级内容优化：自动识别语境，过滤口误、重复及冗余内容，输出结构化通顺文案，减少30%以上人工校对工时；
• 自定义 Prompt 驱动：通过 --prompt 参数传入指令，支持视频 OCR 文字提取、内容总结、二创改写（如小红书/抖音文案）、素材提取（金句/对话/分镜头）、深度分析（情感/痛点/受众）及中英互译；
• 云端算力支撑：不受本地性能限制，短视频（几分钟）至长视频（数十小时）均可快速解析；
• 多源输入兼容：直接粘贴抖音、小红书等平台链接或上传本地文件，无需下载转换；
• 隐私安全保障：传输加密，视频仅临时存入加密空间处理，任务结束自动销毁，不存储、不用于训练或分发。

工作流程遵循自然语言转命令行逻辑：

1. 存在视频链接/本地路径时，通过 --file 参数传入；
2. 仅复用上次解析内容时，使用 --id "last"；
3. 有总结/改写等需求时，内容写入 --prompt；
4. 同时传入文件路径与任务 ID 时，优先执行 --id；
5. 无自定义 prompt 时，默认完整转录视频文字。

适用边界与注意点

• 原生命令不支持批量处理，需自行编写 shell 脚本循环调用实现；
• 视频链接失效、文件损坏或解析超时失败时不产生扣费；
• 计费按视频时长阶梯计算（≥1分钟0.6元/分钟，<1分钟0.1元/10秒）。