若WorkBuddy未生成结构化视频摘要，需依次完成五步操作：一、本地导入视频或提供可直读HTTP链接；二、启用降噪增强与说话人分离并校验转写文本；三、用明确自然语言指令指定摘要逻辑与粒度；四、按内容类型选择适配大模型提升语义理解；五、启用AV-Summary技能包实现分段、情绪标注与三级摘要输出。
☞☞☞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☜☜☜
如果您尝试使用 WorkBuddy 对长视频内容进行概要提取，但未获得结构化文字总结或关键信息缺失，则可能是由于视频源未正确接入、音频质量不足或指令表述不够明确。以下是实现高质量音视频内容转文字并生成精准概要的具体操作路径：
一、确保视频文件已本地导入或链接可访问
WorkBuddy 当前不直接支持从第三方平台（如 YouTube、Bilibili）网页端实时抓取视频流，需先将视频以文件形式导入本地工作区，或提供可直读的公开 HTTP/HTTPS 视频链接（MP4、MOV、AVI 等常见格式），以便后台调用语音识别与语义解析模块完成处理。
1、点击主界面左下角“+ 新建任务”按钮
2、在弹出窗口中选择“上传文件”，或点击“粘贴视频链接”输入框
3、若为本地视频：选中 MP4 等格式文件，确认上传；若为远程链接：确保该链接无需登录、无防盗链限制且返回状态码为 200
4、上传成功后，右侧任务区域将显示“正在提取音轨…”提示
二、启用高精度语音转写并校验文本完整性
语音转文字是概要生成的前提，WorkBuddy 默认调用腾讯云 ASR 引擎进行多语种、带标点、分角色识别。若原始视频存在背景噪音、多人交叠讲话或口音较重等情况，需手动开启增强模式以提升识别准确率。
1、在音轨提取完成后，点击生成的“.txt”结果预览项右侧的“⚙️ 设置”图标
2、勾选“启用降噪增强”和“开启说话人分离”两项
3、点击“重新转写”，等待进度条完成
4、滚动查看全文，重点核对时间戳对齐情况与专业术语是否被误识别，如发现连续三处以上识别错误，建议导出文本后使用“编辑 → 批量替换”功能修正基础词汇
三、下发结构化摘要指令并指定输出粒度
WorkBuddy 不依赖固定模板生成摘要，而是根据用户自然语言指令动态规划分析路径。明确要求“按时间线”“按议题”“按人物”或“按结论先行”等逻辑方式，将直接影响最终交付物的信息组织形态与阅读效率。
1、在对话输入框中输入类似以下任一指令：
“请按发言时间顺序，将这段视频整理为带时间戳的要点清单，每点不超过35字”
WorkBuddy 桌宠工厂 —— 给一张角色图、一个 codex.pet 链接、一条 codex-pets.net 下载 URL、或一份现成的精灵表，就能自动创建一只可联动 WorkBuddy 状态的桌面宠物。当用户说"创建桌宠"、"做一只桌宠"、"用这张图做桌宠"、"从 codex.pet 安装桌宠"、"导入 codex 桌宠 XX"、"装一下 codex-pets.net 上的 XX&quo
2、或输入：“提取视频中所有关于‘成本优化’的讨论内容，合并同类项，归纳为三条核心策略，每条附原始发言时间点”
3、发送后观察左侧任务列表中出现“摘要生成中…”状态条
4、结果返回后，点击右上角“? 导出为 Markdown”可保存带层级标题与锚点的结构化文档
四、利用多模型协同提升摘要深度与准确性
针对技术类、会议纪要类、培训教学类等不同语境长视频，单一模型可能在专业术语理解或逻辑链还原上存在局限。WorkBuddy 支持在任务执行时动态调度混元、GLM 或 DeepSeek 模型参与语义压缩，显著改善摘要的专业性与连贯性。
1、在任务启动前，点击顶部工具栏“模型选择”下拉菜单
2、对于含大量行业术语的视频，选择“GLM-4-AllTools”；对于需强逻辑推演的辩论类内容，选择“DeepSeek-V3-Reasoning”
3、确认模型切换后，再输入摘要指令并发送
4、注意：切换模型不影响 Credits 消耗标准，所有模型均按实际 token 使用量计费
五、通过技能包扩展长视频专项处理能力
WorkBuddy 内置“音视频智能摘要”技能包（Skill ID: AV-Summary-v2.1），专为超30分钟视频设计，支持自动分段、关键帧截图关联、发言情绪标注及多级摘要嵌套输出，其处理逻辑远超基础指令响应。
1、点击侧边栏“技能中心”，搜索“AV-Summary”
2、点击技能卡片右上角“启用”按钮，完成授权绑定
3、回到任务界面，在输入框键入“运行【音视频智能摘要】技能，处理当前视频，输出三级摘要+关键帧截图索引表”
4、执行完成后，结果面板将展示“概览层→章节层→要点层”三级折叠结构，以及对应时间点的缩略图标识
