视频转写与字幕生成

使用火山引擎 Seedream（4.0 / 4.5 / 5.0-lite 等）根据文案生成高质量图像，支持多种画风与画幅、批量与参考图生图。 适用于封面、海报、分镜参考、创意配图、素材库补图等。按各模型文档配置方舟/视觉 API 与接入点。

OpenClaw 系统诊断和性能分析工具。分析 agent 推理耗时、Token 用量、工具调用统计、 Run 时间线、Gateway 重启历史。支持多种模式：批量分析（默认）、实时跟踪（-f）、 摘要统计（-s）、高级诊断（--advanced）。支持多 Agent 过滤。 使用场景：当用户询问 OpenClaw…

用 Remotion 在视频或音频上叠加 KTV 风格歌词：asr-to-lrc.py 调火山 openspeech 生成 LRC（可选逐词时间戳），再渲染歌词动画。 视频模式底部双行，音频模式全屏滚动高亮。需 DOUBAO_SPEECH_API_KEY 等，详见正文。

语音转文字：使用火山引擎 BigModel ASR，含极速版（约 2 小时/100MB 内同步）与标准版（约 5 小时内异步）等模式。 支持飞书语音消息、本地音频与音频 URL。收到语音消息或常见音频附件（ogg/mp3/wav 等）需转写时使用；需按文档配置 MODEL_SPEECH_API_KEY 等。

基于豆包大模型 ASR（LAS-ASR-PRO）的高精度语音转写：支持视频自动抽取音轨、降噪预处理、超大文件与超长时长、 TOS 内网路径（tos://）输入；输出带时间戳的分句 JSON，可选说话人分离、情感/性别/语速、敏感词过滤等扩展分析。 异步…

使用豆包 Seedance 模型进行文生视频、图生视频（首尾帧）及多模态参考（图/音/视频）生成短片。 当用户需要从零生成视频、根据图片延展成片、或带参考素材生成视频时使用。 需配置 ARK_API_KEY，或 MODEL_VIDEO_API_KEY / MODEL_AGENT_API_KEY；可选…

将文本合成为可播放语音：基于火山引擎豆包语音合成（HTTP 流式等），支持多音色、语速/音调/音量调节， 以及 Markdown 过滤与 LaTeX 公式播报。适用于配音、旁白、播报、有声片段。用户提到「文字转语音」「TTS」「朗读」「配音」时使用。

一句话生成漫剧：故事扩写、角色/场景/道具图、分镜、短片生成与最终合成；可选配音与字幕。 产物在 .yiwa/<project_id>/；分阶段说明见 reference/。

按自然语言描述从长视频中抽取片段：高光、指定场景、参考图找人/找物、长视频语义分段与带时间戳的摘要。 支持参考图锁定目标，结果多为 TOS 上的剪辑 URL。需 LAS_API_KEY 与算子区域配置。适合云端粗剪、素材初筛与自动化拆条。

从视频或纯音频中提取音轨，并按固定时长切分；支持 wav/mp3/flac 等格式转换，输入输出可对接 TOS。 需 LAS_API_KEY。适用于批量抽音频、等长分段、给 ASR/剪辑流水线备料。

使用 AI 对投流素材视频进行质量评分，评估前3秒吸引力、节奏流畅度、情绪曲线等维度。 在以下场景使用：(1) 评估剪辑素材质量，(2) 预测投流效果，(3) 获取优化建议。 触发关键词："质量评分"、"素材评分"、"评估"、"打分"、"quality score"、"评测"。

为视频素材智能叠加 BGM 背景音乐，支持自动降低对白段 BGM 音量（ducking）、多种情绪预设。 在以下场景使用：(1) 给投流素材添加背景音乐，(2) BGM 与对白混音，(3) 音频后期处理。 触发关键词："BGM"、"背景音乐"、"混音"、"配乐"、"音乐叠加"。