技能介绍

要解决的问题

传统的语音转文字工具输出的是原样流水稿，包含口误、重复和无意义的语气词，后期整理需要大量人工校对。Whisper 或 FFmpeg 这类本地方案只负责把音频转成文本，没有语义理解能力，无法过滤冗余内容。本技能基于千问大模型的语义理解，针对课程学习、采访录播、长会议整理等场景，输出结构化的通顺文案，减少人工删减冗余内容的工作量。

核心能力与工作流程

技能的工作方式：输入视频后，优先通过 --file 参数传入视频链接或本地文件路径；若复用上次解析结果，使用 --id "last" 指定任务。在自然语言指令转换方面：存在视频链接/文件路径时使用 --file；仅复用上次内容时用 --id；有总结/改写/提取等需求时，内容写入 --prompt；同时传入文件路径与任务ID时，优先执行 --id；无自定义 prompt 时，默认完整转录全部文字。处理依托云端算力，几分钟短视频或数十小时长视频均可解析，本地无性能压力。

最实用的是自定义 prompt：无限制输入所有视频内容的处理需求，如提取全部人物对话、全文翻译、拆解分镜头脚本、提炼短标题、整理结构化会议纪要，甚至改写成小红书或抖音风格的文案。

适用边界与注意点

原生命令不支持批量处理，需要批量解析时需自行编写 shell 脚本循环调用。视频传输全程加密，任务完成后原始文件自动销毁，服务器不留存，素材不用于模型训练，适合商用场景。计费按量付费：视频时长 ≥1 分钟按 0.6 元/分钟结算（整分钟），不足 1 分钟按 0.1 元/10 秒结算，链接失效或解析失败不产生扣费。使用前需要开通 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN。