用大模型实现视频字幕生成与内容理解

工作流程

视频 → 语音转文字（Whisper）→ 字幕处理（大模型）→ 内容理解（大模型）。

字幕生成

用 Whisper 将视频音频转为文字，再用 Qwen3.6 Plus 做标点修复、分段和术语标准化，生成可读性更高的字幕。

内容摘要

{"model":"qwen3.6-plus","messages":[{"role":"user","content":"请将以下字幕内容整理成时间线摘要，标注每个时间点的关键内容：\n{transcript}"}]}

视频问答

将视频字幕作为上下文，用户提问时检索相关字幕段落，再由模型生成答案。适合长视频的知识提取和问答。