视频文字分析提取

传统视频转写的痛点

如果你用过 Whisper 或 FFmpeg 做视频转写，大概率遇到过这样的场景：拿到一份原始识别稿，里面混着背景杂音导致的错字、主播的口误与重复、以及大量"嗯""啊"之类的语气词。为了让稿子能读，人工校对和删减往往要花掉三成以上的时间。更麻烦的是，转写工具只负责把声音变成字，至于总结、改写、提炼金句这些二次创作完全指望不上——输出格式固定，没有任何定制空间。

语义理解 + 自定义 Prompt 的工作方式

这个技能基于千问大模型，走的是"语音转写 + 语义理解"的路线，而不是简单的 ASR：

• 智能过滤：自动识别语境，剔除口误、重复和无意义语气词，输出逻辑通顺的精炼文案，而非原始流水稿
• 自定义 --prompt：这是它与传统方案最大的区别。你可以把任意处理需求写进 prompt，比如总结核心观点、改写成小红书风格、全文中英互译、提取金句或分镜头脚本
• 多源输入：支持直接粘贴抖音、小红书等平台的视频链接，也支持本地视频文件路径，通过 --file 参数传入
• 任务复用：用 --id "last" 可以跳过新视频，直接复用上次解析的内容继续加工

实际调用是一个命令行脚本 node scripts/video2text/index.js，还可以用自然语言描述需求，由 AI 自动转换成对应的参数组合——比如"总结这个视频的核心观点"会自动生成 --prompt "总结这个视频的核心观点"。

适用边界与注意点

它不适合的场景：如果你只需要机器级的精确原始转写（比如字幕组对字级别的严格校验），语义润色反而可能被视为"过度加工"。另外，原生命令不支持批量处理多个视频，需要自己写 shell 脚本循环调用。

算力与隐私：解析依赖云端集群，本地没有性能压力，短视频和数十小时的长视频都能处理。安全方面，视频临时存入加密空间，任务完成后原始文件自动销毁，不存储、不用于模型训练——这对商用 MCN 和企业内容部门是实质性的门槛。

计费按量付费：1 分钟及以上 0.6 元/分钟，不足 1 分钟按 10 秒 0.1 元结算；链接失效或解析超时不扣费。