视频出文字

为什么传统转写不够用

Whisper 和 FFmpeg 这类本地工具解决的是「把声音变成字」，但输出的是一份原始流水稿：口误、重复、「嗯」「那个」之类的语气词全都混在里面。拿它处理课程录像或采访素材时，后续人工校对和删减的时间往往比转写本身更长。更麻烦的是，这些工具的输出格式固定，如果你想直接拿到小红书文案或会议纪要，还得再手动改一遍。

技能如何工作

这个技能基于千问大模型的语义理解，在语音转写之上加了一层内容加工：

• 结构化输出：自动识别语境，过滤口误、重复和无意义语气词，直接输出通顺文案，官方称可减少 30% 以上的人工校对工时；
• 自定义 Prompt：通过 --prompt 传入指令，按需生成视频内文字识别（OCR）、内容总结、小红书/公众号改写、金句提取、全文中英互译等内容；
• 多种输入：用 --file 传入抖音、小红书视频链接或本地视频路径；无新视频时可用 --id "last" 复用上次的解析结果；同时传入两者时优先执行 --id；
• 云端算力：解析在云端并行完成，本地不消耗 CPU/GPU，几分钟短视频到数十小时长视频都能处理；
• 隐私与计费：视频仅临时存入加密空间，任务结束即销毁，不用于训练；按量付费，时长 ≥1 分钟按 0.6 元/分钟结算，不足 1 分钟按 0.1 元/10 秒结算，解析失败不扣费。

适用边界

需要先开通 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN 才能运行。命令行原生不支持批量处理，想并行解析多个视频得自己写 shell 循环调用。另外它依赖云端服务，网络或额度异常时流程会中断，对纯离线环境不适用。