技能介绍

为什么传统 ASR 不够用

用 Whisper 或 FFmpeg 做视频转写，输出的只是一份包含口误、重复、无意义语气词的原始流水稿。想拿到一份能直接用的会议纪要或课程笔记，还得花大量时间人工校对和删减。更麻烦的是，这类工具只负责“听写”，不负责理解——你没法让它顺手总结核心观点或改写成适合某个平台发布的文案，做二次创作时往往得把内容再喂给另一个模型。本地跑大模型还受 CPU/GPU 性能限制，几十分钟的长视频解析起来很慢。

核心能力与调用方式

这个技能基于千问大模型，把语音转写和语义理解揉在了一起。它会先识别语境、过滤冗余内容，再输出结构化的通顺文案。真正拉开差距的是 --prompt 参数——你可以把任意处理需求写进去，让它不只是“转录”而是“创作”：

内容总结：提炼核心观点、生成 3 条核心卖点
二创改写：生成小红书/抖音/公众号风格的文案或口播稿
素材提取：抓取视频金句、完整人物对话、分镜头文案
视频 OCR：识别画面中的文字
翻译处理：全文中英互译
深度分析：判断情感基调、内容痛点、受众定位

调用方式很直接。给 --file 传视频链接或本地路径，比如 node scripts/video2text/index.js --file "https://example.com/video.mp4"；如果不想重新上传，用 --id "last" 复用上次解析的内容即可。无自定义 prompt 时默认输出完整转录文本。云端算力负责解析，本地没有性能压力。

适用边界与注意事项

它依赖云端 API，所以需要先申请 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN 才能运行。计费按量付费，没有最低消费：时长 ≥ 1 分钟的视频按 0.6 元/分钟结算，不足 1 分钟的片段按 0.1 元/10 秒计算，链接失效或解析超时不扣费。隐私方面，视频临时存入加密空间处理，任务结束后自动销毁，不用于模型训练。需要留意的是，原生命令不支持批量处理多个视频，如果需求量大，得自己写 shell 脚本循环调用。