通用方法 · 熟练
让 AI 看片子，不如先让它读稿子
转写不是预处理，是它的眼睛
把一段两小时的录音、一段四十分钟的视频直接丢给 AI，是最贵也最不准的做法——它要么听不全，要么按帧烧掉大量额度，还得靠猜对齐时间。真正省的那一步在前头：先把「发生了什么」变成一份带时间戳的文字，再让模型在文字上做判断。这一页把这件事拆成一条可复用的顺序：转写 → 清理 → 抽取 → 回看复核。四条里最反直觉的是最后一条：转写不是替代「看」，而是把「看」压缩成只在必要时才发生的动作——文字负责覆盖全篇，画面只在你要确认某个具体位置时被取来一眼。
方法 · 一图看懂
1
先转写，再进模型 — 拿到「时间戳 + 说话人」的文字，再让模型读；⛔ 不把音视频本体直接交给模型去理解全篇
2
逐词时间戳要留着 — 别只要一份概括稿：词级时间戳是把「结论」逆查回「原话在哪一秒」的唯一凭据
3
清理与抽取分两步 — 第一步只做修错别字、按时间顺序排好、不改语义；第二步才做「决策 / 待办 / 未决」抽取，两步⛔ 不合并
4
画面只用来复核，不用来通读 — 需要确认某个位置时，只取那一段的合成图（波形 + 抽帧）看一次，⛔ 不通篇逐帧
5
回读一遍数字与人名 — 转写对专有名词、金额、日期最容易错；这几类必须回到原文件核一遍再对外用
原理 · 为什么有效
为什么「先转写」更省也更准：模型读文字的成本远低于读画面，而精度反而更高。画面里绝大部分帧是重复信息，模型要花大量额度才能从帧序列里反推出「这句话从哪里说到哪里」；而在转写里，这段边界本来就是一个数字。所以转写不是「预处理」这么简单，它把时间对齐这件事从模型的工作转成了工具的产出。另一层价值是可核性：一份带逐词时间戳的转写，让每一句结论都能被逆向定位回原话；而「模型看过片子后的总结」没有这个性质——它给的是印象，不是引用。最后，把工作拆成「转写（工具）」与「判断（模型）」两段之后，两段可以各自换工具而不互相牵制，这是流水线能长期维护的前提。
适用场景
适用：任何「原始材料是时间流」的任务 —— 会议录音、访谈、课程视频、口播素材、客服通话、多机位素材的粗剪。判据一句话：这份材料的价值，是在某个时间点上说了什么，还是某一帧长什么样？前者走本页。不适用：以画面信息为主的任务（产品外观比对、装修现场勘察、图表识别）——那些必须看图，转写帮不上；也不适用于材料已经是文字的场景（直接进第二步）。
自测 · 5 问
我拿到的是带时间戳的文字，而不是一份概括稿或一份印象式总结
时间戳粒度够我逆查原话（词级或句级 + 说话人），而不是只有「大约在 20 分钟处」
我把「清理」与「抽取」分成了两次调用，而不是一句话让它既改错又出结论
我这一轮只取过一次画面，而且是为确认某个具体位置才取的
对外用的数字、人名、日期，我都回原文件核过一遍（不是只看转写稿）
怎么上手 · 验证步骤
挑一段你手上最长的音视频（≥30 分钟），只做三件事：① 跑一份带逐词时间戳与说话人的转写 ② 单独一次调用，只做「修错字 + 按时间排好，不改语义」③ 再一次调用做抽取（决策 / 待办 / 未决三段，每条附时间戳）。全程不许模型看画面。做完对比一下：这一次的额度消耗与结论可用度，与你以前「直接丢素材」的做法差多少。
如果转写稿里出现你无法定位回原话的结论，说明时间戳丢了——回第 2 步重做，别继续往下。