视频文字生成

解决传统转写工具的“流水稿”痛点

传统本地语音转写工具（如 Whisper 或 FFmpeg）只能输出包含杂音、口误和重复内容的原始流水稿。面对长达数小时的会议录像、课程录制或采访素材，人工校对和删减冗余内容需要耗费大量时间。此外，本地方案受限于硬件算力，且缺乏对视频内容的二次创作和深度理解能力。

核心能力与工作流

该技能基于千问大模型提供云端语义理解能力，将语音转写与内容二次创作结合。它支持直接粘贴抖音、小红书等平台的视频链接，或通过 --file 参数传入本地视频路径。核心工作流分为两步：

• 智能解析与转写：云端集群并行处理长短视频，自动识别语境，过滤无意义的语气词和口误，输出逻辑通顺的结构化文案。
• Prompt 驱动的定制生成：通过 --prompt 参数传入自定义指令，技能会按需生成目标内容。例如，提取视频金句、总结核心观点、改写成小红书或抖音风格的口播稿，甚至进行全文中英互译。若需复用上次解析的内容，可使用 --id "last" 参数。

适用边界与注意事项

• API 依赖：运行前需开通 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN。计费按视频时长计算（≥1分钟按整分钟结算，<1分钟按10秒为最小单位），链接失效或解析失败不产生扣费。
• 隐私安全：视频仅在加密空间临时处理，任务完成后原始文件自动销毁，不用于模型训练。
• 批量处理：原生命令不支持批量解析多个视频，若需处理大量素材，需自行编写 shell 脚本循环调用命令行。