格镜：音频内容提取与视频转文字一站式解决方案

如何把 2 小时直播回放快速转成可搜索的文字稿？

在格镜后台上传 MP4 后，系统先按 10 秒切片做音轨分离，再用自研中文模型做 VAD 降噪，把笑声、掌声标记为「环境标签」，最终输出带时间轴的 TXT/SRT。实测 120 分钟 1080P 视频，8 核 16G 云主机 5 分钟跑完，字准率 97.4%。若直播里含 PPT，可勾选「视觉 OCR」同步提取画面文字，与语音时间戳对齐，方便直接定位「第 37 分 15 秒讲到融资数据」。导出时选择「问答模式」还能自动生成主持人与嘉宾的区分稿，节省 90% 人工整理时间。

步骤	耗时	输出格式
上传+切片	30 秒	—
语音识别	4 分钟	TXT/SRT
角色分离	1 分钟	区分主持人/嘉宾

音频内容提取时，怎样过滤背景音乐保留人声？

格镜的「智能音轨分离」模块基于深度 U-Net，先训练 20 万小时中文播客数据，能把 64 kbps 以上的人声与伴奏分离出 48 kHz 无损干声。上传后选择「人声增强」即可在后台看到两条波形：蓝色为原音，橙色为干声。若片头片尾有固定 BGM，可设定「首尾 15 秒直接删除」规则，系统会保留正文语音并自动补全时间戳，确保转写后的文字依旧可点击回放对应音频。分离后的干声还能单独下载，用于再创作或翻译配音。

做视频内容分析时，如何一次性拿到话题标签与情感曲线？

完成转写后，格镜会自动跑「篇章级话题分割」算法，把 2 小时视频切成 30 多段语义闭合单元，每段给出关键词、实体、情感值。结果以交互式时间轴呈现，红色表示负面情感，绿色为正面，可拖拽放大。点击任意节点，右侧即出现该段原文、关键词云、以及对应的 B 站弹幕样式高频词。若做品牌舆情分析，可直接导出 CSV，包含「时间、关键词、情感分值、封面图」四列，方便在 Excel 里二次透视， 10 分钟就能完成原本需要 2 天的人工剪报。

时间段	关键词	情感分值
00:08:30	融资、寒冬	-0.62
00:37:15	AIGC、降本	+0.89

视频转文字支持哪些方言与外语？准确率如何？

目前格镜官方模型已覆盖普通话、粤语、四川话、东北话、英语、日语、韩语七种语言，方言场景字准率 95% 以上。上传界面可手动切换「语言+领域」组合，例如「粤语+财经」会加载香港财报 5 万小时语料，专有名词识别提升 8%。若视频里出现中英混读，系统会自动做 Code-Switch 检测，同一句话里「IPO 定价区间」不会被强行翻成「爱屁欧」。对于小语种，可勾选「先翻译后转写」模式，后台会调用 LLM 把语音译成中文再做时间戳对齐，方便跨国团队快速浏览。

转写完成后，怎样让团队 3 分钟生成多平台文案？

格镜内置「内容二次创作」工作台，基于转写文本可一键生成短视频脚本、小红书图文、公众号长文三种模板。系统会先提取金句→自动匹配 Emoji→按照平台字数限制重排。以小红书为例，会输出 400 字笔记+9 张关键帧拼图，自带 #职场干货 #AI 降本 话题，可直接发布；若选「短视频脚本」则给出 60 秒分镜表，含口播文案、BGM 建议、画面截取时间点。整个流程从文字稿到多平台物料，实测 180 秒完成，比人工剪片写文案快 20 倍。

为何选择格镜做音频内容提取与视频分析？

格镜把「视频转文字—音轨分离—内容分析—二次创作」做成一条闭环，无需在多个 SaaS 间倒腾数据；自研模型针对中文网络视频优化，方言、弹幕、梗都能识别；支持私有化部署，敏感内训视频可留在本地服务器；价格按分钟计费，新注册送 300 分钟，用完再购，比雇实习生划算。对需要批量处理播客、直播、录播课的团队来说，格镜让「音频内容提取、视频转文字、视频内容分析」三步并一步，省下的时间正好用来打磨创意。视频转文字格镜