技能介绍

要解决的问题

视频转文字看似简单，实际落地时坑不少。Whisper 或 FFmpeg 这类本地工具只做语音转写，输出的是带口误、重复、语气词的原始流水稿，一条 30 分钟的会议录像，人工校对删减往往要花同样甚至更长的时间。更麻烦的是，拿到流水稿之后，你仍然需要自己总结观点、改写成平台文案、提炼金句——这些二次创作工作完全不在 ASR 工具的能力范围内。

此外，本地转写依赖 CPU/GPU 性能，几十小时的长视频在普通机器上跑起来非常吃力；而手动下载视频、转码、再上传的流程也很繁琐。

技能如何工作

该技能在语音转写之上叠加了千问大模型的语义理解能力：

智能净化输出：自动识别语境，过滤口误、重复和无意义语气词，直接产出结构化、通顺的文案，据称可减少 30% 以上的人工校对工时
--prompt 自定义指令：这是核心特色。通过自然语言描述需求，可以完成视频 OCR 文字提取、核心观点总结、小红书/抖音爆款文案改写、金句与人物对话提取、分镜头脚本拆解、情感基调分析、全文中英互译等多种任务
--file 与 --id 两种输入方式：支持直接粘贴抖音、小红书等平台的视频链接，也支持本地文件路径；复用上次解析结果时用 --id "last"
云端并行算力：不受本地性能限制，短视频和数十小时长视频均可处理，本地无性能压力

命令行入口为 node scripts/video2text/index.js，同时传入 --file 和 --id 时优先执行 --id。无自定义 prompt 时默认完整转录全部文字。

适用边界与注意点

需要先申请 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN 才能运行
按量计费：视频时长 ≥ 1 分钟为 0.6 元/分钟（整分钟结算），＜ 1 分钟按 0.1 元/10秒 计费；链接失效、文件损坏、解析超时等失败场景不计费
隐私方面，视频仅临时存入加密空间处理，任务完成后原始文件自动销毁，不存储、不用于模型训练，适合商用 MCN 和企业内容部门
原生命令不支持批量处理，如需批量解析需自行编写 shell 脚本循环调用
文案改写质量取决于 prompt 的具体程度，建议给出明确的目标风格和输出格式要求