视频成稿

要解决什么问题

Whisper、FFmpeg 这类工具只负责把音轨变成文字，输出的是包含口误、重复、语气词和杂音的原始流水稿。课程录播、采访、长会议这类素材，整理者往往还要花 30% 以上的工时做校对和删减。另一个麻烦是输出格式固定——你很难让纯 ASR 工具顺手产出小红书文案或结构化纪要，二次创作还得再手动改一遍。

工作原理

技能在转写之上加了一层千问大模型的语义理解，核心是三个参数的组合：

• --file：传入视频链接或本地路径，支持抖音、小红书等平台直链和本地文件，无需下载转码
• --id "last"：复用上一次解析的结果，配合新指令继续加工同一段视频
• --prompt：自定义指令，决定最终产出形态，比如全文中英互译、提取金句、拆解分镜脚本、改写成公众号风格、整理成会议纪要

调用方式就是一条命令行：node scripts/video2text/index.js --file "链接" --prompt "总结这个视频的核心观点"。解析在云端并行完成，几分钟短视频或数十小时长视频都不受本地机器性能限制。隐私方面，传输全程加密，任务结束后原始视频自动销毁，不留存、不对外分发，也不用于模型训练。

适用边界与注意点

• 按量计费：时长 ≥1 分钟按 0.6 元/分钟 结算，不足 1 分钟按 0.1 元/10秒。批量处理长视频前，建议先估算成本或用小样验证效果
• 批量处理非原生支持：命令行一次只处理一个视频，需要自己写 shell 脚本循环调用
• 输出质量依赖 prompt 精度：指令写得模糊，拿到的总结或改写就会偏泛；越具体的任务描述，结果越可控
• 链接失效不扣费：解析失败不产生费用，但批量任务里视频源稳定性仍需自己把控，失效链接需要先排查