Okou上的视频理解
不用看视频，直接读：先拿到带时间戳的文字稿，再挑出那几帧真正值得看的画面。目前免费。
运行时 · 无需配置 · 仅记录用量统计，目前0积分
智能体没法看完一小时的视频，你在午饭前也看不完。所以它改成读：先拿到带时间戳的对话文字，这本身就是整段内容的索引，再从那两三个必须用眼睛看的时刻抓出截图。
它支持视频链接、在对话里分享的文件，也支持磁盘上的文件，而且目前调用不花钱。这样一来，只要有人带着问题丢过来一段录像，从这里入手就是合理的第一步。
视频理解是什么
录像堆积的速度永远快过有人去看的速度：演示、操作讲解、访谈、会议，还有当时觉得重要就顺手录下来的各种场次。
处理一段录像，高效的办法不是把它看完，而是读文字稿，按时间戳找到关键时刻，只看那几处。这是一个两步的套路，两步在这里都有。
转写会返回带时间区间的对话文字，这同时也是一份目录。抽帧接收一组时间戳并返回画面，当答案在屏幕上而不在声音里时，你要的就是它。
因为目前调用不花钱，没必要挑着读哪些录像。一个把所有录像都建索引的工作流，和一个一条都不建的工作流，成本是一样的。
视频理解能做什么
智能体能用它做什么，做完又会拿回什么。
覆盖范围与限制
把它做不到的事先说清楚，免得有人围着能力范围之外的东西去设计工作流。
给的是文字和画面，不是理解
它把文字稿和关键帧交给智能体。至于发生了什么，是智能体自己读出来的判断，这通常比两样都没有就写出的总结更靠谱。
文字稿来自声音
一段没有声音的屏幕录像，转写不出任何可读的东西。这种情况只能按间隔抽帧，时间戳也得从文字以外的地方来。
录像越长，文字稿越长
一小时的讲话一次性丢给模型，文本量太大。分段处理比一次要完整结果更可靠。
它只转写，不区分说话人
你拿到的是说了什么、什么时候说的。谁说的要从文字稿的上下文里推断，服务本身不提供，所以需要区分说话人的工作流要写明这一点，并自行核对。
视频理解怎么收费
Web服务按调用次数扣积分，不按token计费。也没有另一份厂商账单要对。
zero video调用会被记录下来供你查看，目前消耗0积分，以合理使用为前提。抽帧在运行智能体的机器上完成，除了耗时之外不产生费用。底下没有额外的转写套餐，也没有按分钟计价需要盯着。
设置与接入
无需设置
不需要连接任何东西。没有转写服务账号，没有密钥，也没有套餐。把一段录像的链接给智能体，它第一次运行就能读。
谁可以用
读取交给智能体的录像，本来就属于它处理手头文件的一部分，所以这里没有单独的权限要授。真正的边界在于你让它访问什么。
团队都用视频理解做什么
把录像变成笔记
一场演示、一次访谈或一节课程，变成一份带时间戳的总结，外加三张说明问题的截图，趁会议记忆还新鲜时就出来了。
在长录像里找到那一刻
有人说答案就在里面某处。文字稿几秒钟就定位到，一张截图确认无误，不用谁拖着进度条来回找。
让视频可以被搜索
录像一到就转写，并把文字保留下来。原本没法搜索的素材库，变成智能体能据此回答问题的库。
什么时候不该用视频理解
要描述一段无声录像时别用它，那种情况真正的做法是按间隔抽帧，文字稿是空的。需要正式记录时别用它，自动转写是工作底稿，不是会议纪要。问题只涉及其中一段时，也别一次性转写整整一小时。
别处怎么称呼它
同一件事在市场上有好几种叫法。如果你比较过其中某一类产品，这里说明它对应到这边的什么能力。
视频转文字API
把录像里的讲话变成程序能用的文字。这就是这里的前半部分，不需要你自己的账号或密钥。
语音转文字
底层那一步的通用叫法。在这里它会带着时间区间返回，所以不只是能读，还能用来定位。
视频转文本
手里有一段录像、需要一份能读、能引用、能搜索的文字时，人们会搜这个词。
抽帧
在指定的时间戳上取出截图。这是大家常常忘了要的一步，而当答案在屏幕上时，正是它让文字稿真正可用。
从录像生成会议笔记
由这两半拼起来的常见工作流：文字稿记下说了什么，关键帧留下展示了什么，最后由智能体写成稿子。
视频理解横向对比
视频理解对比专门的转写服务
转写服务给你一个界面、一个编辑器和一份存档，按分钟收费。这里是在工作流内部把文字和关键帧交给智能体，目前不收费。
视频理解对比会议记录工具
会议记录工具会加入通话，把笔记当成产品交付。这里处理的是你手上已有的任何录像，包括那些当初没人打算好好录的。
视频理解对比直接让模型看视频
把整段录像丢过去又慢又贵。先读文字稿再看三张截图，花很小一部分力气就能得到同样的答案。
一句话总结
让一段录像变得可用，成本最低的路径：先用文字稿当索引，再用关键帧看那些必须用眼睛确认的时刻。目前免费，也就没有理由不把每一段到手的录像都读一遍。
常见问题
转写要多少钱？
调用会被记录，目前消耗0积分，以合理使用为前提。抽帧在本地完成，除了耗时之外不花钱。
视频可以从哪里来？
一个链接、在对话里分享的文件，或者运行智能体那台机器上的文件。
会带时间戳吗？
会，默认每行一个时间区间，文字稿因此可以当索引用。要把内容写进正文时，可以要纯文本。
它能告诉我谁在说话吗？
不能。你拿到的是说了什么、什么时候说的。谁说的要从上下文推断，依赖这一点的工作流应该核对，而不是假定。
无声的屏幕录像能读吗？
没有可转写的内容，所以做法改成按间隔抽帧，时间戳由你选定，而不是从文字里找。
视频最长能处理多久？
长视频也能处理，但一小时的讲话一次性推理，文本量太大。分段处理是更可靠的做法。
它支持哪些语言？
底层模型支持的常见语言都可以。遇到冷门语言，建议先转写一小段样本，再决定要不要在上面搭东西。
我能直接要总结，而不是文字稿吗？
直接提就行。服务返回的是文字稿和关键帧，总结由读过它们的智能体来写，所以它能指出内容出自哪个时间点。
怎么让智能体用视频理解
你用日常语言说清楚要什么，智能体自己判断该用哪个服务，再去发起调用。
“把这场录像转写出来，按时间戳总结做出的决定，并抓取那三个值得截图的时刻。”
“这通一小时的电话里有一段在谈定价。找出来，把原话引给我，再告诉我当时屏幕上是什么。”
“把这个文件夹里的所有录像都转写一遍，告诉我哪些提到了新手引导。”
