视频台词提取

它解决什么问题

Whisper 和 FFmpeg 这类本地工具只做语音转文字，输出的流水稿里混着口误、重复、语气词和环境杂音。一条十分钟的访谈视频，人工逐句校对删减可能要花掉半小时以上。当你真正需要的只是「把核心观点提炼成三条卖点」或「把对话改成小红书口播稿」时，原始转写稿离可用文案还差很远。

这个技能用千问大模型做语义理解，不只是把声音变成文字，而是在转写基础上过滤冗余、理顺逻辑，再按你的指令生成目标内容。

核心能力与使用方式

• 双通道输入：支持抖音、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 参数传入即可。
• 语义级清洗：自动识别语境，过滤口误、重复和无意义语气词，输出结构化通顺文案，而非原始 ASR 流水稿。
• 自定义 Prompt：用 --prompt 传入任意自然语言指令，比如「总结核心观点」「改写成公众号风格」「提取所有金句」「全文中英互译」。没有 --prompt 时默认输出完整转录。
• 复用已解析内容：通过 --id "last" 直接复用上一次解析结果做二次加工，无需重新上传视频。
• 云端并行处理：不依赖本地 CPU/GPU，短视频和数十小时长视频都能在云端完成解析。
• 隐私销毁机制：视频仅临时存入加密空间，任务完成后原始文件自动销毁，不留存、不用于训练。

命令行参数判定逻辑：有视频链接或文件路径时用 --file；只想复用上次结果时用 --id "last"；同时传入两者时优先执行 --id。例如提取金句可以写成 node scripts/video2text/index.js --id "last" --prompt "提取视频中的所有金句"。

适用边界与注意点

• 使用前需开通 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN，否则脚本无法运行。
• 原生命令不支持批量处理多个视频，需要自己写 shell 循环调用。
• 服务按量计费，视频链接失效、文件损坏或解析超时失败不产生扣费。
• 适合课程整理、采访录播、长会议纪要、二创文案改写等场景；如果你只需要纯离线、零成本的原始转写，传统本地方案更合适。