核心用法
该 Skill 提供完整的口播视频智能剪辑工作流，支持三种执行模式（apig网关代理、cloud直连云端、local完全本地）。用户上传视频或音频后，系统自动完成人声分离、ASR语音转写（豆包语音大模型或本地Qwen3-ASR）、语义纠错、语气词/口误识别，最终通过可视化审核页确认剪辑点，一键导出成品视频。
标准执行流程包含8个必经步骤：环境检查与依赖安装 → 语气词规则确认 → URL/文件上传与ASR流水线 → ASR语义纠错（Agent复核） → 口播剪辑决策 → 数据预处理 → 审核页精修与导出 → VOD任务提交与查询。每个步骤均有严格的CHECKPOINT验证，确保产物完整后再继续。
审核页是核心交互界面，支持时间轴可视化、逐句回放、片段标记删除/保留、字幕可见性调整（Alpha通道），修改后可持久化到磁盘。本地模式完全支持审核页，通过 /local-media/ 路由代理访问本地文件。
显著优点
多模式弹性架构：apig/cloud/local 三级降级策略，缺参自动降级，既满足企业级云端协作，也支持敏感内容完全离线处理。
AI驱动的语义级剪辑：基于豆包语音大模型或Qwen3-ASR的语义理解，自动识别语气词（"嗯""啊""那个"）、口误、重复冗余，生成带置信度的删除候选，Agent做最终决策而非黑箱删除。
专业级审核体验：提供Web可视化审核页，支持波形图时间轴、逐句定位、实时预览、批量操作，修改后即时同步到导出配置，避免重复劳动。
工程化完整度：3000+行代码、25+文件、严格的目录结构规范、完整的错误处理与超时机制（建议60分钟），符合生产级部署标准。
潜在缺点与局限性
依赖环境较重：Local模式需下载PyTorch、Demucs、Qwen3-ASR等大型模型，首次启动依赖下载耗时较长；云端模式需要配置火山引擎VOD空间和ASR密钥，上手门槛较高。
Agent-脚本职责分离的交互成本：规则引擎生成候选后需Agent介入复核，对于批量处理场景，人工确认环节可能成为效率瓶颈。
输出格式与平台绑定：深度集成火山引擎VOD生态，导出为MP4+H.264标准格式，若需特殊编码（如ProRes、H265）或第三方平台（AWS S3、阿里云OSS）需额外转换。
长视频性能考量：60分钟超时设置暗示重度处理可能耗时较长，4K或长时长口播视频在本地模式下的实时率难以保证。
适合的目标群体
- MCN机构与内容创作者：口播类短视频（知识分享、带货讲解、课程录制）的高频生产者，需批量去除停顿、口误以提升信息密度。
- 企业培训与知识管理部门：将长会议录像、内部培训快速剪辑为精华片段，降低员工观看成本。
- 在线教育讲师与网课制作团队：提升课程专业感，消除录制中的自然口语瑕疵。
- 对数据安全敏感的用户：Local模式满足金融、医疗、法律等行业的离线处理合规要求。
使用风险
性能风险：音视频编解码、AI推理均为计算密集型任务，本地运行大模型时可能占用大量CPU/GPU资源，建议专用工作站或云端弹性计算。
依赖服务可用性：cloud/apig模式依赖火山引擎VOD和ASR服务，存在服务商SLA限制；建议关键业务配置降级策略或本地模式备份。
密钥管理风险：.env文件包含ASR_API_KEY、VOLC_ACCESS_KEY_SECRET等敏感信息，需严格加入.gitignore并限制文件权限，避免泄露导致云服务资源被滥用。
版权与内容合规：Skill本身不提供版权检测，用户需确保上传素材拥有合法授权；自动剪辑可能改变原意，重要场合建议人工终审。
数据残留：云端处理时视频临时存储于VOD空间，任务完成后建议清理或配置生命周期策略；本地output目录需定期清理避免磁盘占满。