做口播视频时，我经常陷入同一种重复劳动：先反复听素材、整理逐字稿，再回看画面找重点，最后才开始写摘要、标题和新的口播稿。一条视频往往只发布一次，但其中的文字、观点和画面信息，其实还能继续服务于公众号、短视频切片和音频摘要。

这次我没有把 Agent 当作“一键洗稿机”，而是尝试搭建一条内容再生产链路：让它先听清楚、再看明白、最后生成一份可人工审核的内容包。最终跑通的链路如下：

下面本次测试使用的原始口播视频、关键画面帧和 TTS 试听音频，便于在本地 Markdown 预览中直接核对文章所述流程。

我做了一个能自动剪口播的AI Agent

本文使用的腾讯云 AI Skills 分别是：tencentcloud-asr、tencentcloud-vita 与 tencentcloud-tts。我在 WorkBuddy 中安装了三个 Skill，并在腾讯云控制台开通对应服务、通过环境变量配置访问密钥。这里不展示任何 SecretId、SecretKey；密钥只应保存在平台的安全配置或本地环境变量中。

1.  语音识别 ASR：打开 console.cloud.tencent.com/asr → 开通服务

2.  语音合成 TTS：打开 console.cloud.tencent.com/tts → 开通服务

TTS语音合成包，目前可以免费领取，点击“语音合成资源包”就可以看到

输入是一条 7 分 24 秒的中文口播视频，大小为 38.8MB。先用 ffmpeg 抽取 16kHz 单声道音频，分别生成 MP3 与 WAV，作为 ASR 的稳定输入。

这不是一个只停留在演示层的流程：每一环都保留了输入、输出和可复跑脚本。真正有价值的部分，也恰恰来自其中一次并不完美的识别结果。

二、先让 ASR 把“声音”变成可操作的数据

我使用 tencentcloud-asr 对抽出的 16k 单声道音频进行识别，测试参数为 16k_zh，并开启 word_info=2。这样拿到的不只是整段文字，还包括：

时间戳是整个工作流的关键。没有时间信息，Agent 最多只能帮我“总结”；有了时间信息，后续才可以把一句话定位回视频片段，用于做字幕、回看重点、剪辑建议或人工校对。

下图就是我用workbuddy处理的逐字稿：

这次识别并非全对。视频里多次出现“口播”一词，但受说话口音影响，ASR 将它系统性地错识为“aro”或“A肉”，累计 46 次。

另一方面，ffmpeg、EDL、ElevenLabs、达芬奇等英文缩写或产品名整体识别正常；VS Code 被输出为“bs code”，Flowith 也出现了近音误识别。

也就是说ASR 的输出不能未经检查就直接进入成稿。对于口音明显的中文词、品牌名和自定义术语，应该增加一层人工核对；在支持的场景下，还可以继续用热词或自定义词库做二次验证。把这个边界说明白，比只展示“转写成功”更接近真实生产环境。

三、再让 VITA 补上逐字稿看不见的画面

逐字稿能告诉 Agent “说了什么”，但它不知道说话时屏幕上展示了什么，也不知道什么时候切到了软件界面。于是我将同一视频交给 tencentcloud-vita，让它补充画面层的信息：人物、场景、动作、软件界面和字幕等。

本次 VITA 调用成功返回结果，耗时约 28 秒。它并不替代人工观看视频，但可以把“哪里出现了界面演示”“哪里是人物讲解”“哪里有字幕信息”变成结构化线索。

当 Agent 需要生成文章配图建议或短视频切片建议时，不必仅根据文字盲猜画面，而是可以对照 ASR 的时间戳与 VITA 的画面信息给出候选位置。最终是否采用，仍由创作者判断。

四、Agent 只整理事实，不替我编造观点

拿到 ASR 和 VITA 的结果后，我没有让 Agent 直接生成一篇“爆款文章”，而是给它设定了更克制的职责：

最终得到了一份 246 字的试听脚本。它总结的是“如何用语音提示词辅助自动粗剪口播”的工作流：录制时用“再来”和“这段 OK”作为锚点，后续再利用转写结果定位有效片段。这个脚本不是发布终稿，而是供我继续润色、补充个人经验和确认观点归属的中间产物。

这种限制很重要。内容 Agent 最有价值的工作是减少整理和格式转换，而不是替作者虚构亲身经历，或把第三方素材改写成自己的原创观点。

五、最后用 TTS 做一次“听感验收”

文本看起来通顺，不代表读起来顺。最后一步，我将 Agent 输出的脚本交给 tencentcloud-tts 生成试听音频。

这次使用音色 101001（智逍遥）。考虑到长文本请求的稳定性，我没有把脚本一次性塞进请求，而是用脚本按每段不超过 100 字自动切分：6 个分片分别合成后再拼接。最终生成的 MP3 时长为 47 秒。

试听的价值不只是“让 AI 念一遍”。它能快速暴露三个问题：

当试听不自然时，我会先修改脚本文字，再重新合成，而不是把问题交给音色参数硬解决。这样输出的文字稿和音频稿能保持一致，也更便于后续多平台分发。

六、复现这条链路，需要准备什么

如果你也想搭一套类似流程，可以按下面的顺序开始：

下面是环境变量方式的示意，密钥请只在本地安全环境中填写：

TENCENTCLOUD_SECRET_ID=你的SecretId
TENCENTCLOUD_SECRET_KEY=你的SecretKey
TENCENTCLOUD_APPID=你的AppId

结语：全能，不是工具越多越好

这次实践让我更确定一件事：所谓“全能 Agent”，不是把所有能力塞进一个长 Prompt，主要是把每个 Skill 负责一个清晰环节。

ASR 让视频拥有可检索、可定位的文字层；VITA 让 Agent 知道画面里发生了什么；TTS 则把整理后的文本重新变成可听、可验收的内容。三者串联后，一条口播视频不再只是一次发布的成品，而是一份可以继续加工、审核和分发的内容资产。

当然，Agent 仍然会出错。正因为识别到了“口播→aro/A肉”这样的真实问题，这条工作流才不是一个只报喜不报忧的 Demo。保留人工审核、记录错误边界、持续用真实素材迭代，才是把 AI Skills 从“能调用”变成“能长期使用”的关键。

全能 Agent 养成记：我用腾讯云 ASR × VITA × TTS，把一条口播视频变成内容包

标签：#玩转腾讯云AISkills#测试时间：2026 年 8 月 10 日。本文所有时长、文件和识别问题均来自一次实际联调；文中密钥均以占位符表示。

后台策略工程师

人工智能

音视频

开发工具

本文介绍如何利用腾讯云ASR、VITA和TTS三个AI技能，将口播视频转化为可复用的内容资产。通过语音转文字、画面理解和语音合成，实现从视频到逐字稿、摘要和试听音频的自动化生产链路，并分享真实错误案例与复现步骤。

语音识别

语音合成

WorkBuddy 

SkillHub

Agent

JSON

VITA

语音产品特惠新用户14.9元起


2026上云采购 | AI焕新·智启新局

ai-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

全能 Agent 养成记：我用腾讯云 ASR × VITA × TTS，把一条口播视频变成内容包

全能 Agent 养成记：我用腾讯云 ASR × VITA × TTS，把一条口播视频变成内容包

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐