31 · 自媒体场景
长音视频怎样完成转写、字幕和高光切片
做内容的人都经历过这种折磨：同事丢来一段会议录音、直播回放或者访谈视频，让你整理一下，顺便剪几条能发的。
做内容的人都经历过这种折磨：同事丢来一段会议录音、直播回放或者访谈视频，让你整理一下，顺便剪几条能发的。
这个过程最费精力和时间的就是反复拖进度条。比如：听到一个产品名不确定，退回去；看到一句像金句，又得重新找开头和结尾；最后字幕做出来了，还要担心时间轴重叠、数字写错、片段断章取义。
接下来我就在豆包工作里用一段 4 分 47 秒的真实中文口播，把整条链路跑了一遍，带大家看看这种情况应该怎么做。
原始音频
→ 带时间码逐字稿
→ 清洁稿
→ 111 条 SRT 字幕
→ 10 个待人工回听点
→ 5 个高光候选
→ Top 3 排序
→ 人工确认后再决定是否剪辑
注意，这次实测素材是 4 分 47 秒。更长素材可以沿用同一流程，但要分段抽查、保留原始时间码，批量导出前再回听一遍。
先选工具
| 任务 | 最优组合 | 为什么 |
|---|---|---|
| 音频转逐字稿、清洁稿和 SRT | 豆包工作本地文件理解 + asr-subtitles + 文件生成与自检 |
不用额外授权外部账号，能直接从音频产出时间码和文件 |
| 从文本筛高光 | 新工作任务 + 内置文本分析 | 只看清洁稿和听辨清单，不会边筛边重新猜音频 |
| 真正剪辑、导出 | 人工确认后再接视频工具 | 高光候选不是成片，先回听能避免把人名、数字和产品名剪错 |
我也看了 Descript 连接器。它覆盖导入、转写、编辑和发布，但需要连接外部账号并共享相应信息。有点麻烦，感兴趣的朋友可以去用一用。
任务一：先得到能校对的文字，而不是一篇漂亮摘要
第一步：把音频和交付标准写进提示词
新建工作任务后上传音频。这次的样例总时长 286.96 秒，约 4 分 47 秒。提示词里把逐字稿、清洁稿、SRT、人工听辨清单和自检一次写清。
可直接复制的实测提示词
我是一名内容运营，手上有一段中文口播音频，需要整理成后续能直接校对和剪辑的文字材料。
输入材料：当前对话中已经上传的【音频文件名】。音频只有一位主要说话人；如果你判断存在多人，请按“说话人 A / B”区分。术语优先按以下写法识别：【填写产品名、人名、英文缩写】。
请直接读取音频并按下面顺序处理：
1. 先检查文件能否正常读取，记录音频总时长。
2. 生成忠实逐字稿，保留 mm:ss 时间码；口头重复、停顿词也保留。
3. 另做一份清洁稿，只删除明显口头重复和无意义停顿，不改变观点、数字、产品名和语气。
4. 生成标准 SRT 字幕：编号连续，时间轴不重叠；单条尽量 1—2 行，每行不超过 18 个汉字；不要把一句话切得无法理解。
5. 把无法确认的词标成【听不清 mm:ss】或【术语待确认 mm:ss】，不要猜写。
6. 做一次自检：抽查开头、中段、结尾，检查时间码连续性、SRT 重叠、术语写法和逐字稿 / 清洁稿是否混淆。
最终请交付：
A. 带时间码逐字稿
B. 清洁稿
C. 完整 SRT 字幕
D. 人工听辨清单
E. 自检结果
请保存为 4 个文件：逐字稿.md、清洁稿.md、字幕.srt、人工听辨清单.md，并在聊天里给出总时长、字幕条数、待听辨数量和文件路径。
安全边界：不要发布、上传到其他平台或修改任何线上内容；无法确认的信息保留标记。
第二步：带时间码转写
任务开始后，豆包工作先确认文件能读取，得到 286.96 秒时长；随后判断普通音频能力不负责转写，转而调用 asr-subtitles。这一步很关键：如果过程里只出现“理解内容、总结观点”，最后通常只会得到一篇摘要，不会有能对回原音频的时间码。
实测结果：不确定的地方需要带人工确认
最终交付包括逐字稿、清洁稿、字幕和人工听辨清单。SRT 共 111 条，时间轴检查是 0 处重叠，每行中文不超过 18 个字。
在这个过程中，它没有把听不清的地方硬猜成一句通顺的话。反而留下 10 个待人工确认点，例如嘉宾人名、工具名、显卡型号、文件名和数字。另有 11 个能根据上下文确认的同音误识别，被单独记为“已修正”。
任务二：另开任务，只读校验过的文本
第一步完成后，我把带时间码清洁稿和人工听辨清单放进一个新任务。这样它只能基于已有时间码判断，不会一边筛选，一边重新编人名和数字。
当前版本里，.md / .txt 在本地文件选择器中可能出现“打开”按钮不可用。实测最稳的方法，是把两份文本直接粘进提示词；如果你的版本支持上传，也可以改成明确文件名。
可直接复制的实测提示词
这是一个新的、独立的任务。请只处理我下面提供的两份材料：
- 材料一：已经校对过的带时间码清洁稿
- 材料二：需要人工回听 / 术语待确认的片段
请不要重新联网，也不要补写音频里没有的内容。
受众：【填写你的受众】
目标平台：视频号 / 抖音，竖屏，单条 20—45 秒。
筛选要求：
1. 候选片段必须有完整问题、关键观点或具体故事，脱离上下文仍准确。
2. 优先信息密度高、有具体数字、明显反差或真实操作结果的片段。
3. 不为制造冲突而断章取义；必须保留必要条件和事实边界。
4. 与人工听辨清单重叠的片段标“需先回听”，不能当成可直接剪。
5. 起止时间必须来自清洁稿现有时间码，候选之间不能严重重复。
6. 先给 5 个候选，每个包含：序号、起止时间、预计时长、核心价值、为什么能独立成立、建议标题、需要补的上下文、风险 / 待确认项、建议优先级。
7. 再选出 Top 3，说明排序依据。
8. 最后给“人工确认后才能导出”的检查清单。
9. 只输出切片清单，不生成、不剪辑、不发布实际视频。
最终请保存为 高光切片候选.md，并在聊天里给出候选总数、Top 3 时间段和需要先回听的候选数。
安全边界：未经我确认，不要调用剪辑工具导出视频，不要发布，也不要修改原始文件。
--- 材料一：带时间码清洁稿 ---
【粘贴清洁稿，或写明上传文件名】
--- 材料二：人工回听 / 术语待确认 ---
【粘贴人工听辨清单，或写明上传文件名】
执行中：判断能否独立成立
豆包工作先把时间码节点梳理出来，再按“完整问题或故事、信息密度、20—45 秒、事实边界”筛 5 个候选。随后逐个和人工听辨清单对照：只要时间段里碰到待确认人名、产品名或数字，就标成“需先回听”。
实测结果：5 个候选都有风险，所以一个也没有直接导出
这次得到的 Top 3 是：
| 排名 | 时间段 | 内容 | 为什么靠前 |
|---|---|---|---|
| 1 | 00:48—01:48 | AI 接管电脑调游戏画质 | 反差强，有 3,405 MB → 2,704 MB 的量化结果，但需要精剪并核对数字 |
| 2 | 01:48—02:37 | 5 小时对谈蒸馏成 8 个 Skill | 信息密度高，有 46,000 字 → 8 个 Skill 的对比，但嘉宾名和结构名待确认 |
| 3 | 02:37—03:20 | 跨 5 个平台做电影调研 | 最贴近内容创作者，43 秒可直接成立，但调研对象名称必须先回听 |
5 个候选全部至少碰到一个待确认项，这就导致候选清单生成了，豆包工作仍然没有调用剪辑工具，没有导出视频，也没有改原始音频。
输出文件第一次把生成日期写成了 2026-08-27。我让它按当天日期修正为 2026-08-28，并再次确认“只改日期，不剪、不导出、不发布”。这也是为什么最终结果必须读一遍，不能看见文件卡片就算完成。
最后，记住这套两段式流程
第一段提示词负责把声音变成可追溯的文字：
- 明确文件、说话人和术语表；
- 同时要逐字稿和清洁稿，不要混；
- SRT 必须检查编号、重叠和行长；
- 听不清就留时间码，绝不猜写；
- 抽查开头、中段、结尾。
第二段提示词负责从文字里筛出值得人工回听的候选：
- 只读清洁稿和听辨清单；
- 起止时间必须来自现有时间码；
- 每个候选都说明为什么能独立成立；
- 碰到待确认项就标风险；
- 人工确认前不剪辑、不导出、不发布。
真正省时间的，不是让 AI 一口气替你把视频发出去，而是让它把最磨人的机械工作先做完：时间码排好、字幕切好、风险点标好、候选段落找好。
这样你只需要把注意力花在最值钱的地方——听那 10 个不确定点，判断那 5 个候选到底能不能发。
AI 办公产品教程 · 完整版