视频文本智能提取

核心问题

处理视频转文字时，传统本地工具通常只能输出包含口误、重复和无意义语气词的原始流水稿，导致后续人工校对和删减的成本极高；同时，数十小时的长视频解析往往受限于本地设备的CPU和GPU算力，处理速度缓慢且容易崩溃。

工作逻辑

该技能通过云端大模型提供语义级别的文本优化与处理：

• 智能润色：依托千问大模型，自动识别语境，过滤冗余和口误，输出逻辑通顺的结构化文案。
• 自定义输出：通过 --prompt 参数传入指令，按需生成内容总结、二创改写、视频OCR或中英互译。
• 多源接入：支持通过 --file 传入短视频平台链接或本地路径，依托云端集群并行计算，无视本地性能瓶颈。

适用边界

• 原生命令不支持原生批量处理多个视频，需开发者自行编写shell脚本进行循环调用。
• 作为云端服务，使用前必须开通TOKEN并配置 GUAIKEI_API_TOKEN 环境变量。
• 按视频时长计费，需评估长期调用成本。