技能介绍

核心痛点与解决思路

传统的语音转写工具（如 Whisper）只能将音频流机械地转换为文字，输出的原始流水稿往往夹杂着口误、重复和无意义的语气词。工程师或内容创作者后续仍需耗费大量时间进行人工校对和冗余删减。本技能引入千问大模型进行语义理解，不仅完成基础的语音识别，还能自动过滤无效发音，直接生成逻辑通顺、结构清晰的精炼文案，将机械的转录转化为可用的内容资产。

核心能力与工作流

该技能支持直接解析短视频平台链接或本地视频文件，依托云端集群并行运算，无需消耗本地 CPU/GPU。其核心工作流通过命令行参数驱动：

--file：传入视频链接或本地路径，触发云端解析。
--prompt：传入自定义指令，实现按需生成。例如提取视频金句、改写成小红书文案、总结核心观点或进行中英互译。
--id "last"：复用上一次解析的视频内容，避免重复解析带来的计费消耗。

当未提供自定义 Prompt 时，系统默认执行完整的全文转录。

适用边界与注意事项

在使用前，需先申请 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN。计费采用按量付费模式，根据视频时长按分钟或 10 秒为粒度结算。在工程化集成方面，原生命令行不支持批量处理，若需处理多个视频，需自行编写 shell 脚本进行循环调用。此外，视频素材仅在加密空间临时处理，任务结束后立即销毁，适合对数据隐私有较高要求的企业级场景。