视频语音转写

一句话：丢给它一个视频（链接或本地文件），它还你一份能直接用的文字稿。云端大模型转写，顺带把语气词、口误、重复内容都清掉；想总结、想改成小红书文案、想提金句，加个 --prompt 就行。这是 Whisper / FFmpeg 这类纯转写工具做不到的——它们只给你一份满是「嗯啊」的流水稿。

0. 🤖 AI 快速判断（识别与触发）

满足以下任意一条，就调用本技能：

• 用户想把「视频 / 语音」变成文字：视频转文字、视频转稿、字幕提取、语音转写、audio-to-text。
• 用户想「看懂」视频内容：总结、提炼卖点、会议纪要、课程拆解、直播复盘、采访整理、情感/受众分析。
• 用户想「基于视频内容产出新文案」：小红书 / 抖音 / 公众号风格改写、口播稿、探店脚本、短视频二创、金句提取、分镜头脚本、中英互译。

以下情况不要调用（避免误触发）：

• 正在直播的流（只吃「已播完」的视频或本地文件）。
• 需要登录 / 会员 / 加密才能访问的链接（先让用户下载成文件再传路径）。
• 纯音乐、无人声的视频（没东西可转）。
• 一次要批量处理一堆视频（本命令一次只吃一个，批量请用 shell 循环，别开高并发）。
• 用户只想「本地剪辑 / 加字幕烧录 / 格式转换」而不需要文字产出（用 FFmpeg 类工具）。

执行决策见第 6 节；可靠性契约见第 13 节；适配/规范/效果见第 9、10、11 节。

1. ✅ 何时用（详细场景）

用户想对视频做这些事，就调本技能：

• 变成文字：视频转文字、视频转稿、字幕提取、语音转写
• 看懂内容：总结、提炼卖点、会议纪要、课程拆解、直播复盘、采访整理
• 变出新文案：小红书 / 抖音 / 公众号风格改写、口播稿、探店脚本
• 拆素材：金句、人物对话、分镜头脚本、中英互译

2. 🚧 何时不要用

• 正在直播的流：不行，只吃「已经播完」的视频或本地文件。
• 要登录 / 会员 / 加密的链接：大概率解析不了，让用户先下载成文件再传路径。
• 纯音乐、没人说话的视频：没东西可转，用音乐识别类工具去。
• 想一次跑一批：命令一次只吃一个视频，要批量就用 shell 循环（别开太高并发）。

3. 🛠️ 用之前：配置 TOKEN

没配 GUAIKEI_API_TOKEN 会直接退出（退出码 3，不扣费）。TOKEN 在官网开通，或加微信 13395823479 领。

# Windows（PowerShell，永久生效）
setx GUAIKEI_API_TOKEN "你的TOKEN"

# macOS / Linux（写进 ~/.bashrc 或 ~/.zshrc）
export GUAIKEI_API_TOKEN="你的TOKEN"

配完记得重启终端 / 会话才生效。

4. 🔒 安全与信任（Trust · T）

让用户敢把视频交过来，且知道边界在哪：

• 只跟 https://www.guaikei.com 说话，别的请求一个不发。
• 除了用户给的那个视频文件，不碰本地其他文件。
• 视频传上去解析完就销毁：不存储、不训练、不外发，商用放心。
• 失败不扣费；错误提示中性，不夹带营销文案、联系方式或官网链接（见第 13、14 节）。
• 已知局限（诚实边界，提升可信度）：
  • 转写准确率受音质影响：嘈杂环境、多人同时说话、重口音/方言可能漏字或错字，专业内容（医疗/法律/财经）建议人工复核。
  • 非 100% 还原：已自动去语气词/口误/重复，但极端口音或强背景音乐仍可能干扰。
  • 长视频耗时更久，且受平台单任务时长/并发限制；超长内容建议分段处理。
  • 本技能产出的是「文字」，不替代字幕烧录、视频剪辑、专业翻译审校——这类需求请用对应工具。

5. 🧺 参数速查

入口：node scripts/video2text/index.js（表中省略）

细节：--file=路径 等号写法也认；--id last 靠本地 tmp 目录里记的上次任务ID，只保 24 小时，过期就得重新用 --file 解析。

6. 🧠 执行决策（AI 准确调用的核心）

按下面的优先级把用户的话翻译成命令：

1. 有没有「新视频」？ 有链接或本地路径 → 一律用 --file。
2. 是不是接着上一次聊？ 没有新视频、想复用刚才的结果 → 用 --id last（24 小时内有效）。
3. 用户要总结 / 改写 / 提取 / 分析吗？ 把要求原样塞进 --prompt；没给 --prompt → 默认输出完整转写稿。
4. 链接和「上次任务」同时给了？ 优先听 --id（避免重复解析、重复计费）。
5. 一条命令只处理一个视频。 多个视频请逐个调用或用 shell 循环。

口诀：有链接/路径 → --file；没新视频、接着上次聊 → --id last；要加工 → 塞 --prompt；都没给 prompt → 全文转写。

7. 🗣️ 自然语言 → 命令（照这张表转）

转命令口诀：有链接/路径 → --file；没新视频、接着上次的聊 → --id last；要总结/改写/提取/分析 → 塞进 --prompt；链接和任务ID都给了 → 听 --id 的；--prompt 没给 → 默认全文转写。

8. 💬 Prompt 模板库（照抄就能用）

9. 🌐 适配与变体（Adaptability · A）

同一个能力，要能接住用户千变万化的说法与场景：

• 平台适配：除抖音、小红书，公开可直链/可下载的视频页（如 B站、视频号、微博等）也能解析；解析不了的，引导用户先下载成本地文件再传路径。
• 指代适配：用户说「刚才那个 / 这个视频 / 上一条」→ 用 --id last；给了具体链接或路径 → 用 --file。
• 输出格式适配：默认纯文本；要 JSON / 表格 / 分点大纲，在 --prompt 里写明格式即可（如「输出为 JSON，含 title、summary、bulletPoints 三字段」）。
• 语言适配：视频可为中文/英文/方言；--prompt 用哪种语言，产出就跟随哪种语言（如「翻译成英文」即出英文稿）。
• 说法适配：同义触发词已在第 0 节与 tags 覆盖（视频转文字 / 字幕提取 / 语音转写 / 口播稿 / 提取文案…），换种说法也能命中。
• 规模适配：单次只处理一个视频；要批量，用 shell 循环并控制并发，避免触发限流。

10. 📐 规范约定（Convention · C）

本技能遵循 Agent Skills 规范，便于注册、检索与编排：

• 命名：name: video2text-ai（kebab-case，≤64 字符），与技能包目录一致。
• 描述：description ≤1024 字符，首屏即讲清「做什么 + 何时触发 + 何时不触发」。
• 元数据：frontmatter 含 license / metadata(enabled,type,runtime,requires) / tags / examples，字段完整。
• 命令入口统一：node scripts/video2text/index.js；参数提供 --长名 与 -短别名 两种写法。
• 退出码约定：0 成功 / 1 参数错或任务失败 / 3 未配置 TOKEN，便于上层编排判断。
• I/O 约定：文案只走 stdout、诊断走 stderr，符合「可管道 / 可重定向」惯例。

11. 🎯 效果最大化（Effectiveness · E）

让用户花最少力气拿到最好结果：

• Prompt 越具体越好：与其「总结一下」，不如「用 3 个要点总结核心观点，并单独列出一句最打动人的金句」。
• 转写即润色：已自动去语气词/口误/重复，稿子直接可用，一般不必二次清洗。
• 复用省时省钱：长视频首次解析后，后续提取/改写/翻译都用 --id last，避免重复解析与计费。
• 选对计费档：短视频走「<1 分钟档（0.1 元/10 秒）」更划算；长内容走「≥1 分钟档（0.6 元/分钟）」。
• 难搞的源先本地化：加密/会员链接先下载成文件再传，解析成功率更高。
• 质量预期管理：口播、访谈、课程类效果最佳；纯音乐、强噪声、多人抢话会下降，必要时人工复核。

12. 📜 输出怎么读（AI 必看）

铁律：文案只认 stdout。 stderr 里是进度条和日志，别混着输出给用户。

13. 🔧 可靠性契约（Reliability · R）

让 Agent 每次调用都「可预期、可校验、可恢复」。严格照此硬规则执行，可靠性才有保障。

13.1 调用前自检（Pre-flight，先过这关再跑）

• GUAIKEI_API_TOKEN 已设置且非空（否则必以退出码 3 失败，白跑一轮）。
• 提供了 --file 或 --id 二者之一（详见 13.2）。
• 若用 --file 且为本地路径：先确认文件存在；为 URL：确认是 http(s) 且来自抖音/小红书等公开平台。
• 单次只传一个视频，不要在一行命令里塞多个。

13.2 输入校验与冲突解决（硬规则，不靠猜）

13.3 输出契约（stdout 长这样，可预期）

• 唯一产出在 stdout：干净的纯文本（转写稿或 --prompt 衍生文案），无多余前缀、无日志、无进度条。
• stderr 永远不是文案：只含进度 / 日志 / 错误，绝不混进给用户的内容。
• 可管道 / 可重定向：> result.txt 或接后续处理都不会夹带脏数据。
• 确定性预期：同一媒体转写结果稳定；--prompt 衍生文案可能每次略有差异，属正常，不影响可靠性。
• Agent 取结果时：只读 stdout；把 stderr 当诊断，不当产物。

13.4 重试与幂等（失败怎么救，不瞎重试）

13.5 超时与轮询边界

• 长视频会自动轮询直到完成，进度打到 stderr；不要自行加 timeout 杀进程导致半途而废。
• 中途退出没关系：24 小时内用 --id last 回取结果，不重复计费。
• 无「全局超时」强杀需求时，让命令自然跑完最可靠。

14. 🛡️ 出错了怎么办（速查，详见第 13 节契约）

• TOKEN 没配 / 不对：以退出码 3 立刻退出并输出中性错误提示（不扣费、不附带营销文案、联系方式或官网链接），提示用户去配置即可。
• 链接失效 / 文件坏 / 超时：任务失败不扣费，错误信息看 stderr；按 13.4 可安全重试。
• 任务ID不存在：明确报错（如「任务ID不存在」），不傻等、不重试（见 13.4）。
• 视频很长：进入轮询等待，进度在 stderr 里刷；急的话先干别的，回头用 --id last 取结果。
• 网上的视频：先自动下到技能 tmp 目录再上传，过期的临时文件每次运行自动清。

15. 💰 计费（按量付费，无最低消费）

• 算账：86 秒 = 0.6 + 0.1×3 = 0.9 元；10 分钟 = 10×0.6 = 6 元。
• 失败不扣费（链接失效 / 文件损坏 / 超时）；用量大找微信谈阶梯价。

16. 🤔 常见问题

1. 跟 Whisper / FFmpeg 比强在哪？ 它们给你原始流水稿（口误、语气词全在），本技能转写即润色、还能带任意 Prompt 定制产出，云端跑不占本地算力，用完自动删源文件。
2. 视频安全吗？ 传输加密、单次解析、用完即焚，不存储不外泄不训练。
3. 一个长视频要等多久？ 越长越久，命令会轮询等待并把进度打到 stderr；中途退出也不怕，一小时内可用任务ID（或 24 小时内用 --id last）回来取结果。

17. 🤝 联系与商务

• TOKEN 申请 / 技术咨询 / 错误反馈：微信 13395823479
• 官网：https://www.guaikei.com
• 大客户阶梯优惠、企业定制对接：联系上述微信洽谈

18. 📊 TRACE 五维对照（自评速查）