AI 音视频图片智能处理

音视频与图片的 AI 智能处理工具包：字幕擦除、视频画质增强、语音转字幕(ASR)、视频 OCR、人脸打码、语义切片、人声背景音分离、图像画质增强、图像擦除去水印，共 9 个能力。按次计费、按能力与素材时长/张数动态定价，通过支付宝扫码付款。

gangbo@gangbo

Install

openclaw skills install @gangbo/ai-media-kit-pro

AI MediaKit 音视频/图片智能处理

网关 ${GW} = https://amk.pidiyun.com。一次请求处理一个素材。共 9 个能力，按能力类型与素材规格动态计价（时长按分钟、图片按张），通过支付宝扫码付款。多素材分别建立任务并说明各自费用，等待用户授权后逐一处理。

能力清单与计价

能力	`tool`	类型	素材	计价口径
字幕擦除	`erase-subtitle`	视频·异步	视频	按擦除时长
视频画质增强（极速）	`enhance-video-fast`	视频·异步	视频	按输出时长
语音转字幕 ASR	`asr-subtitles`	视频·异步	视频	按输入时长
视频 OCR（识别硬字幕）	`video-ocr`	视频·异步	视频	按输入时长
视频人脸打码	`face-blur-video`	视频·异步	视频	按输入时长
智能语义切片	`semantic-segment`	视频·异步	视频（≥30 秒）	按输入时长
人声背景音分离	`separate-voice`	音频·异步	视频（含画面，纯音频暂不支持）	按输入时长
图像画质增强	`enhance-image`	图像·同步	图片	按张
图像擦除去水印	`erase-image`	图像·同步	图片	按张

异步能力：提交返回 task_id，需轮询查询，完成后交付结果 URL。
同步能力（图像）：提交即返回结果，直接交付 result_url，无 task_id。
动态计价：每个能力的实际金额由网关按其成本模型算出（视频/音频按时长，图像按张），下单后以网关返回的 amount 为准，不要按本清单或任何固定数字向用户报死价；向用户说明「按素材规格计价」，并以 402 账单里的金额为最终价格。

调用前

说明素材会上传对象存储并交由火山引擎处理，不承诺固定时间删除。

支付依赖支付宝官方买家组件 alipay-bot（来自 @alipay/agent-payment），以及官方 alipay-payment-skill 和 alipay-authenticate-wallet。调用前确认 CLI 可用、客户端能够加载这两个 Skill；执行支付时遵循 alipay-payment-skill，仅在支付流程明确返回需要开通或授权钱包时，才切换到 alipay-authenticate-wallet，不要主动用钱包检查拦截支付，不凭工具名称猜测付款协议。

这些组件属于买家运行环境的依赖，无需每个任务重复安装。若缺少依赖，停止上传与下单，提示由环境维护者或具备安装权限的 Agent 按官方说明安装（官方安装入口：npx -y @alipay/agent-payment@latest install），不擅自安装。客户端无法执行安装命令或加载官方 Skill 时，应明确说明当前环境尚不具备支付条件，不承诺自动完成安装。

首次使用时，官方支付组件会自动把「开通钱包 + 付款」合并为一次扫码（「授权并支付」），无需也不应手动拆分「先开通钱包、再付款」两步。买家与卖家使用不同的支付宝账号，避免同一账号付款被拒绝。

每个任务生成并保存请求 ID 与访问令牌：

bash

REQUEST_ID="$(openssl rand -hex 16)"
REQUEST_TOKEN="$(openssl rand -hex 32)"

首次提交、支付后重试、查询均复用原 ID、令牌和请求体；令牌不向无关人员展示。改变素材或能力必须新建任务。

上传素材

已有公网 HTTP/HTTPS 素材 URL 可直接使用。本地文件请求：

http

POST /api/upload-url
Content-Type: application/json

{"request_id":"原请求ID","ext":"png"}

ext 使用真实文件扩展名（视频用 mp4/mov 等，图片用 png/jpg 等，音频用 mp3/wav 等）。返回 put_url、tos_url 和 headers；用 PUT 上传原素材，带上返回的全部 headers（包括 x-tos-forbid-overwrite: true）。上传后使用 tos_url。上传链接有效期不是文件删除期限。

提交与支付

http

POST /api/jobs
Content-Type: application/json
X-Request-Token: <原访问令牌>

{"request_id":"原请求ID","tool":"<能力名>","video_url":"<素材URL>"}

tool 从「能力清单」中选择。
video_url 是现有网关的通用素材字段，视频/图片/音频都放这里。
resolution（如 1080p）仅 enhance-video-fast 可选传，其他能力不要传；第一版不接受额外 params。
402：保存订单号与完整 Payment-Needed 账单。核对 amount 币种为 CNY；金额异常（与素材规格明显不符、或为负/超范围）则停止付款并说明配置异常。把账单、原始请求方式、URL、请求体及 X-Request-Token 交给官方支付能力，展示价格并等待用户授权。
支付后由官方支付能力携带完整 Payment-Proof 重试原请求。保留其中的支付凭证、交易号和客户端会话信息，不自行编造、裁剪或重新签名。
200：检查业务状态，只有 completed 才交付结果；不能把已提交或处理中视为完成。同步图像能力返回即 completed。
409：参数不一致时恢复原参数；任务忙时等待至少 5 秒再查询。
422：素材不满足所选能力的处理条件（如语义切片要求视频不短于 30 秒）。未产生订单、未收款，向用户说明原因，换素材或换能力后新建任务。
503 / 网络超时：保留原任务标识，先查询或重试；不另建订单，不断言已退款。
404：核对原请求 ID 和令牌，无法恢复时联系服务方，不重复付款。

已付款但结果不明时优先查原订单。账单失效须先由官方支付能力确认原订单状态；确认未支付后再获取新账单，防止重复扣款。成功路径不另行追加买家回执。

遇到 PROXY_TARGET_BLOCKED、request expired、“请勿重复绑定”或支付查询失败时，按支付异常排查处理；具体支付宝命令与停止条件仍遵循当前安装的官方支付 Skill。

查询与交付

用户表示“支付成功”“已支付”或要求继续待确认支付时，先交由官方支付 Skill 查询当前支付单，并携带原请求方式、URL、请求体和业务 headers 恢复资源请求。用户口述付款成功或网关返回 pending 都不能代替支付宝支付状态。只有商户业务状态为 completed 才交付结果。

http

GET /api/jobs/<原请求ID>
X-Request-Token: <原访问令牌>

需要等待时每 5–10 秒查询一次：

completed：展示结果 result_url 及可用 outputs，提供下载链接并提醒及时保存，链接有时效。异步能力如字幕、切片、分离可能返回多个文件（如人声/背景音两路、多个片段），逐一列出。
submitted/queued/running/processing：继续等待。
failed/canceled/cancelled：查看 order_status；仅 refunded 可告知退款完成。
refund_pending/refund_processing：退款尚未完成，可继续查询。
manual_review/refund_failed：停止自动操作，保留订单号联系服务方。

服务器负责验付、履约与退款恢复；用户退出对话不等于取消订单。

素材规格与限制

视频：常见 mp4/mov/mkv 等，单文件大小与时长上限以上游实际返回为准，超限时如实说明，不承诺必然处理成功。语义切片要求视频时长不短于 30 秒，过短视频会被网关直接拒绝（422，不产生订单）。
图片：PNG、JPG、JPEG、WebP 等，单张不超过 10 MB；图像增强为固定 2 倍放大，宽高放大后不超过上游像素上限。
音频：人声背景音分离当前仅支持视频类素材（含画面），纯音频文件（mp3/wav/m4a 等）暂不支持，收到纯音频请求时如实说明并建议改用带画面的视频；分离结果返回人声与背景音两路音频。
尺寸、格式、时长无法确认时如实说明，不承诺必然成功；结果保留上游输出格式。