---
title: "生成原理与能力边界"
description: "Vidoc Note 用三步把视频变成摘要：解析视频信息、抓取字幕文本、交给大语言模型生成结构化 Markdown。这里说明它是怎么做的，以及字幕依赖、时长上限与截断规则。"
canonical_url: "https://vidocnote.com/docs/guide/how-it-works"
last_updated: "2026-10-02T07:49:38.463Z"
---

## 三步流程

Vidoc Note 不下载视频本体，只处理**字幕文本**：

1. **解析视频信息**：通过视频链接读取元数据——标题、UP 主、时长、封面。
2. **获取并解析字幕**：抓取该视频的字幕文本（人工上传的字幕或平台自动生成的字幕），并清洗成纯文本。
3. **生成 Markdown**：把字幕文本交给大语言模型，要求输出结论先行的结构化摘要，最后以 Markdown 呈现，便于阅读与复制。

因此，摘要的质量上限取决于两件事：**字幕的质量**和**字幕的信息量**。没有字幕就没有可归纳的内容。

## 能力边界

### 必须有字幕，暂不支持语音识别

生成摘要依赖视频自带的字幕。Vidoc Note 目前**不支持 ASR（自动语音识别）**，所以：

- 纯音乐、无对白、UP 主没有上传字幕且平台也没生成字幕的视频，无法生成摘要。
- 外语视频若只有外语字幕，摘要会以该字幕内容为准，语言可能与视频原声不同。

### 时长上限 3 小时

单条视频时长超过 **3 小时**会被直接拒绝，并且**不消耗积分**。原因很直接：长视频占用处理资源更久，而且 3 小时以上的字幕会接近模型单次输入的处理上限。

### 超长字幕会被截断

字幕文本超过处理上限（约 8 万字符）时，超出部分会被截掉，并在摘要中标注「**内容已截断**」。这类摘要只覆盖视频靠前的部分内容。

同理，模型输出达到长度上限时，已生成的内容照常交付，并在摘要中标注截断，不会整篇作废。

### 摘要由 AI 生成，可能有误

大语言模型可能误读字幕、把玩笑当事实、或过度概括。Vidoc Note 的定位是**帮你快速定位重点**，不是替代原视频。涉及数据、结论、引用的内容，请回到视频核对。

## 一个典型的时间预期

<table>
<thead>
  <tr>
    <th>
      视频时长
    </th>
    
    <th>
      大致等待时间
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      5 分钟以内
    </td>
    
    <td>
      十几秒
    </td>
  </tr>
  
  <tr>
    <td>
      10～30 分钟
    </td>
    
    <td>
      二十秒到一分钟
    </td>
  </tr>
  
  <tr>
    <td>
      1 小时以上
    </td>
    
    <td>
      一分钟以上
    </td>
  </tr>
</tbody>
</table>

具体还取决于排队情况：当同时生成的任务较多时，请求会排队而不是直接失败。