视频文件转文本智能助手

为什么需要它

拿到课程录像、播客访谈或几小时会议录像，第一步通常是「变成文字」。但传统本地方案——无论是 Whisper 还是 FFmpeg——本质上只做了 ASR 语音转录。输出的是带口误、重复、口头禅的流水稿，后续还得人工逐句清洗。一小时录音可能对应两三小时整理，而且格式固定，很难直接产出「总结三句话」「改写成小红书文案」这类需求。

这个技能要解决的是：从视频到可用文本，中间少了语义理解和内容加工这一层。

它如何工作

视频内容转文本通过 --file 参数接收视频来源：

• 短视频、长视频都支持：几分钟片段和几十小时素材同样可解析
• 平台链接直连，无需先下载到本地
• 本地文件同样适配，路径写进参数即可

拿到视频后，云端算力并行处理，不占用本地 CPU/GPU。转写不只做语音识别，而是让千问大模型在理解语境的前提下输出：

• 过滤口误、重复和无意义语气词
• 按自然逻辑整理成通顺文案
• 识别内容结构，而不是逐字堆砌

然后才是关键一步——用 --prompt 决定输出什么。同一份视频素材，可以按需求生成不同结果：

• 完整转录视频中的全部文字
• 提炼核心观点和三条卖点
• 改写成小红书、公众号或口播风格文案
• 提取金句、完整人物对话、分镜头脚本
• 做全文中英互译或情感基调分析

如果不想重新解析视频，用 --id "last" 可以复用上一次的处理结果，只换 --prompt 重新生成内容。默认不传 --prompt 时，行为是完整转录全部文字，适合先拿到底稿再做二次加工。

隐私方面，视频只在临时加密空间里处理，任务结束即销毁，不留存、不用于模型训练。

适用边界

几个需要注意的点：

• 需要先申请 TOKEN 并配置环境变量 GUAIKEI_API_TOKEN，否则无法运行
• 按视频时长计费：1 分钟及以上 0.6 元/分钟，不足 1 分钟按 0.1 元/10 秒结算
• 原生命令不支持批量，需要自己在 shell 脚本里循环调用
• 默认输出是文本，不包含视频本身的时间轴标记或字幕样式

适合的课程回放、访谈整理、内容二创场景；如果只是需要离线批量转字幕且不关心结构化输出，传统本地 ASR 更直接。