录完教程不用再写一遍：我把 38 秒视频交给 WorkBuddy，文章和 SOP 都出来了

录完一段软件演示，最磨人的活往往还没结束。视频里已经把操作讲了一遍，准备图文稿时却还得从头听、暂停、抄按钮名，再把截图塞回对应步骤。

团队里的培训录屏也有同样的问题。新人培训、后台操作、客服排错全躺在视频里，真正要查某一步时，只能拖着进度条找。业务人员想把它们整理成知识库，又很难抽时间从空白文档写起。

image

这两种重复劳动可以交给同一套桌面 Agent 工作流：放入自己录制或获授权的软件操作视频，取回图文教程、操作步骤文档（SOP）、关键截图和待确认项。个人录完演示可以继续发图文，团队积压的培训视频也能逐条变成内部文档。

先看成品，再讲它怎么做出来

这次输入的是一段 38.96 秒的 SkillHub 录屏：搜索腾讯云文字识别 Skill，进入认证详情页，再找到安装提示词。下面就是它实际生成的 tutorial-article.md，不是流程示意图。

image

生成稿的标题是《如何在 SkillHub 找到腾讯云文字识别 Skill，并把安装提示词交给 AI》。正文已经写成四个动作：打开全部技能并搜索、核对目标 Skill、找到安装提示词、安装后配置密钥。

它还保留了视频没有证明的部分。录屏只出现“复制 prompt”入口，没有终端安装画面，所以成品写的是“找到安装提示词”，而不是“已经安装成功”。同一目录里还生成了六步 SOP、4×4 全程联系图和待确认项清单。

难点不只是语音转文字。旁白通常是一整段话，没有按钮位置、页面变化和成功状态。本文把 VITA、语音识别和文字识别封装成一个名为 tencentcloud-media-review 的组合 Skill：分别看视频、听旁白、读界面，再由 WorkBuddy 把同一时间点的内容合成教程步骤。

为什么不能只做语音转写

比如旁白说“选择认证条目”，语音识别不知道页面上哪个结果带认证标识；文字识别能读到作者名称，却不知道它对应视频里的哪一步。单项能力都不够。

三项能力放进同一个桌面 Agent 后，各自只负责自己擅长的部分：

同一时间点的动作、旁白、截图和界面文字对齐后，才组成一个可检查的教程步骤。

下面这张 2×2 是真实执行结果。旁白、界面文字、运行记录和六步 SOP 都来自同一段视频。

image

视频进去后，教程是怎么出来的

Agent 先读取视频时长、分辨率和音轨，再从头到尾均匀抽取 16 帧。这样可以先确认操作是否完整，避免模型只看到开头几秒就开始写步骤。

image

4×4 联系图只证明整段视频被覆盖。随后，三项能力分别找动作、听讲解、读界面，WorkBuddy 按时间对齐后先生成 SOP，再改写成教程文章。

不到 60 秒的短视频直接识别整段旁白。更长的录屏会进入长音频识别或自动切片，不会因为超过一分钟就停下。关键步骤每四张合成一张 2×2，正文只挑能支撑操作的图片。

换成你的视频，直接这样交给 Agent

把 tencentcloud-media-review 装进桌面 Agent 后，拖入自己录制或获授权的视频，再发出下面这段要求：

把这段带旁白的软件操作视频整理成图文教程。
请用 tencentcloud-media-review 检查完整视频，用 VITA 拆步骤、语音识别转写旁白、文字识别读取关键帧。
每一步保留视频秒数、真实截图和成功标志。
最后交付 tutorial-article.md、SOP、来源表和待确认项，不要自动发布。

Windows 上也可以直接运行通用入口，视频路径和输出目录都能替换：

.\scripts\run_video_to_tutorial.ps1 `
  -VideoFile "D:\videos\你的教程.mp4" `
  -VideoUrl "https://你已确认可上传的视频地址.mp4" `
  -OutputDir "D:\tutorial-output" `
  -ConfirmVitaCost

VITA 需要公网视频 URL，所以桌面 Agent 会先展示 URL、完整提示词和费用风险，等用户确认后再调用。SecretId、SecretKey 和 VITA API Key 使用隐藏输入，只进入当前 PowerShell 进程。

image

本次视频能看到“复制 prompt”入口，但没有展示安装终端。因此生成稿只把它写成“找到安装提示词”，没有写成“安装已经完成”。

这次实测，哪些结果可以确认

• 输入视频为 38.96 秒、1280×720；
• 视频理解和语音识别均返回结果，关键帧文字识别为 6/6；
• 三项云端能力合计用时 56.412 秒；补取全程关键帧并再次识别，用时 12.85 秒。

第一次视频理解给出的时间点集中在前段，平台名称也和旁白、界面文字对不上。Agent 随后按完整时长重新抽帧，用文字识别补齐后半段，没有把一次识别结果直接写进教程。

旁白、画面和界面文字会互相校对。三份证据对不上时，相关步骤进入待确认清单，不会直接混进正文。

录完以后，怎么接进日常工作

个人创作者录完视频后，先拿生成稿补齐标题、步骤和配图，再核对待确认项，不必从空白文档重写。

团队可以把同一产品的培训录屏放进固定目录，逐条生成 SOP。业务负责人只核对按钮、成功状态和内容时效，确认后再放进知识库。

第三方教程也能作为输入，但只有获得再利用和改写许可后，才适合公开成文。能下载视频不等于拥有转载权；没有许可时，生成结果只用于个人学习笔记。

image

交付物是可复核初稿，不会自动发布。视频没有展示的结果也不会被补写成“已经成功”：例如画面只出现“复制提示词”按钮，就只能确认入口存在，不能据此声称安装已经完成。

录屏结束后，下一步不再是重新写一遍，而是把视频变成带证据的教程初稿，再由人完成最后确认。