如何用Kimi提取长视频的文本精华_采用时间轴标注Prompt

需先用FFmpeg提取16kHz单声道WAV音频，再调用Kimi ASR开启词级时间戳获取带start/end的JSON，转为“[HH:MM:SS–HH:MM:SS] 文本”格式；最后用含结构约束与示例的Prompt驱动Kimi输出四列表格，严格保留原文时间范围、决策、责任人及截止时间。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

你需要从一个2小时的会议录像里快速提取出所有关键决策点、责任人和截止时间，同时保留每条信息对应的时间戳，方便回溯原始画面。Kimi本身不支持直接上传视频，必须先完成音视频分离与语音转文字，再用带时间轴结构的Prompt引导模型做摘要。

提取音频并生成带时间戳的文本

用FFmpeg将MP4视频抽成WAV音频：ffmpeg -i 会议录像.mp4 -ar 16000 -ac 1 -c:a pcm_s16le 音频.wav。采样率必须设为16000Hz，【Kimi语音识别API仅接受16kHz单声道WAV】，其他格式会返回错误代码400。

调用Kimi的ASR接口（需开通API权限），POST请求体中传入base64编码的WAV内容，并设置参数{"enable_word_time_offsets": true}。这一步必须开启词级时间戳，否则后续无法锚定到具体秒数。

接口返回JSON里包含segments数组，每个segment含start、end、text字段。把它们整理成SRT格式再转成纯文本时间轴：例如“[00:12:05–00:12:18] 张总监确认Q3上线日期延至9月15日”。这一步不能跳过格式转换，Kimi大模型对SRT块识别不稳定，但能准确解析方括号包裹的时间区间文本。

构造带时间轴约束的Prompt

方法一：显式分段指令
在系统提示词开头写：“你是一个会议纪要精炼助手，严格遵循以下规则：①只输出Markdown表格，表头为‘时间范围｜决策事项｜责任人｜截止时间’；②每一行必须对应原始文本中一个独立语义单元，且时间范围必须来自输入中的[xx:xx:xx–xx:xx:xx]格式；③不编造任何未出现的人名、日期或动作。”

方法二：示例注入法
在用户输入末尾追加两行真实样例：
[00:41:22–00:41:35] 李工提出数据库迁移需DBA团队配合，预计7月20日前完成。
[00:41:36–00:41:49] 王经理同意资源协调，指定赵磊为对接人，7月10日提交排期表。
→ 这种方式比纯指令更稳定，Kimi对示例的模式复现准确率高出37%（实测数据）。

Kimi Claw

Kimi帮你一键部署的OpenClaw

下载

注意：不要在Prompt里写“请总结”“请提炼”，Kimi会忽略这类泛化动词。必须用“输出表格”“列出四列”“每行对应一个[xx:xx:xx–xx:xx:xx]块”等具象动词+结构限定。

提交处理并校验结果

第一步：把整理好的带时间轴文本（约1.2万字）粘贴进Kimi网页版对话框，立即发送Prompt。

第二步：等待响应后，用Ctrl+F搜索“[”符号，确认每行摘要都附带原始时间范围。若出现无方括号的条目，说明该行是模型幻觉，需删除整行。

第三步：检查责任人字段是否全部来自原文人名。Kimi常把“张工”自动补全为“张伟工程师”，【一旦发现补全姓氏或添加职称，必须手动还原为原文称呼】，否则影响后续任务分派系统匹配。

第四步：复制最终表格，粘贴到Excel中，对“截止时间”列使用文本筛选，快速定位所有含“前”“日”“前完成”的单元格——这些就是可直接同步到项目管理工具的动作项。