视频字幕文案提取

要解决的问题

使用 Whisper 或 FFmpeg 处理视频时，常见的结果是一段原始流水稿：口误、重复、语气词和半句话混杂在一起，真正想引用的金句与观点反而被淹没。整理课程录播或长会议时，人工校对和删减往往占据大部分时间，而输出格式又是固定的，想顺手改成平台文案或英文版本还需要另开一道工序。

这个技能做了什么

核心思路是把语义理解放进处理链路，而不是只做语音转写。 提交视频后，模型会识别语境、过滤口误与冗余内容，直接输出结构化、通顺的文案。

关键参数只有两个：

• --file：传入视频链接（抖音、小红书等平台）或本地文件路径
• --prompt：可选的自定义指令，用于决定最终输出形态

--prompt 是它与本地方案最实质的区别。同一个视频，可以分别产出内容总结、分镜头文案、金句提取、中英互译或平台风格改写，而不需要重新转写。解析结果可通过 --id "last" 复用，避免对同一素材重复计费。

处理依赖云端算力，长视频不受本地 CPU/GPU 限制；任务结束后原始视频自动销毁，服务器不留存，也不用于模型训练。

适用边界

• 需要先开通 TOKEN：运行前必须配置环境变量 GUAIKEI_API_TOKEN，否则无法调用
• 按视频时长计费：≥1 分钟按 0.6 元/分钟 整分钟结算，<1 分钟按 0.1 元/10秒；链接失效或解析超时不扣费
• 没有原生批量接口：多视频场景需要自己写 shell 循环调用命令
• 输出质量受音轨清晰度影响：语义润色能去掉冗余，但无法弥补背景噪音过大或多人抢话的素材

适合课程、访谈、会议这类需要把视频内容转成可用文字的场景；如果只需要一份未经处理的逐字稿，本地 ASR 方案更直接也更便宜。