简诗 AI 视频处理

为什么需要这个技能

处理视频的 Agent 往往卡在第一步：素材从哪儿来，进来之后怎么变成可检索、可剪辑的结构。本地文件、YouTube 链接、网页 URL 三种来源混在一起，传统做法要写一堆脚本分别下载、调 ffmpeg、再跑语音识别，链路长且难以维护。视频内容本身又是非结构化的——想知道某个画面出现在几分几秒，或者把一句话对应的片段剪出来，通常只能靠人工拖进度条。

这个技能的目标就是把这些环节收敛到一个统一的 SDK 调用里，让 Agent 可以用同一套接口完成上传、检索、转写和剪辑。

核心能力

素材接入：支持从 YouTube、URL 或本地文件上传视频，统一进入工作流。

内容检索：既可以按语音做语义或关键词搜索，也可以按视觉场景定位画面，返回时间戳而非整段视频。

转写与字幕：从任意视频生成带时间戳的 transcript，并自动生成字幕、调整样式。

片段编辑：支持裁剪、拼接，以及叠加 text、image、audio 三层内容，适合做多片段组合的成片。

AI 媒体生成：可以根据文本生成图片、视频、音乐、音效和配音，作为剪辑素材补充。

实时采集：支持屏幕与音频的实时捕获，并附带 AI 转写，适合会议记录类场景。

转码与分发：可以调整分辨率、画质、宽高比，为社交平台重新构图，并输出可播放的 HLS 流链接。

关键步骤

1. Agent 引导用户完成 API Key 配置（官方提供 $20 免费额度，无需绑卡）。
2. SDK 安装与连接验证。
3. 按任务类型调用对应能力：上传 → 检索/转写 → 编辑 → 输出流链接。

适用边界

• 仅当任务明确属于视频上传、检索、转写、字幕、剪辑、AI 媒体生成或转码分发时使用。
• 输出结果不能替代环境相关的验证、测试与专家审核。
• 如果缺少必要输入、权限、安全边界或成功标准，应停止并请求澄清，不要自行假设。