minimax-av — MiniMax 全模态理解（音频转写 + 视觉理解）

场景

• transcribe：录音/语音备忘录/访谈转文字（多格式、≤500 秒、可出 SRT/VTT 字幕与说话人分离时间戳）
• understand：视频内容问答/摘要（M3 原生视频理解）+ 图片理解/对比/文字提取（可混合多文件）

触发条件

用户给出音频文件要求转写/出字幕，或给出视频/图片文件要求理解、描述、分析、问答时。

输入（硬限制）

参数：--out 文件（落盘）、--show-usage（stderr 打印延迟/用量）；transcribe 另有 --format；understand 另有 --prompt、--json、--max-tokens。

时间戳/字幕（transcribe 的 --format）

注意：这三种格式启用时间戳对齐与说话人分离，不能与流式同用（本 skill 非流式，无此限制）。

步骤

python3 scripts/minimax_av.py transcribe 录音.mp3
python3 scripts/minimax_av.py transcribe meeting.mp3 --format srt --out 字幕.srt
python3 scripts/minimax_av.py transcribe interview.wav --format verbose_json   # 说话人+时间戳
python3 scripts/minimax_av.py understand video.mp4 --prompt "总结内容" --out result.txt
python3 scripts/minimax_av.py understand cover.png --prompt "提取图中所有文字"
python3 scripts/minimax_av.py understand img1.png img2.jpg video.mp4 --prompt "对比分析"

超 500 秒的长音频先切分（ffmpeg，每段留余量）：

ffmpeg -i long.mp3 -f segment -segment_time 480 -c copy part_%03d.mp3

判断标准

• transcribe 空输出 → 检查音频是否有有效语音
• understand 空回答 → think 剥离后无正文 → 增大 --max-tokens（M3 推理占额）
• 专有名词识别错 → 换 wav 无损格式重试（有损压缩会降低识别质量），或转录后人工校对

输出

stdout：转录文本 / 字幕 / 视觉分析文本（已剥离 <think> 推理段）。--out 同时落盘。错误写 stderr，退出码非 0。

异常处理

数据回流（2026-09-08 实测）

• 正确的视频格式是 video_url（image_url + video/mime 会被明确拒绝 2013）；图片走 image_url + data URL，多文件可混合
• M3 的推理藏在 content 的 <think> 标签里（不是 reasoning_content 字段）——脚本已内置剥离
• wav 识别质量优于有损压缩格式；同一文件多次请求结果存在波动（ASR 非确定性）——重要场景建议 wav + 人工抽查
• MiniMax ASR 无热词参数——专有名词识别建议 wav 无损格式补偿，或转录后人工校对
• 响应自带 duration；图片 >2MB 建议先缩放（脚本会 stderr 提示）
• config 换 vision_model 后其他模型调用不报错但"看不到"视频（视频理解是 M3 原生能力）
• base_url 中国站 api.minimaxi.com；国际站 api.minimax.io（config 可换）

版本

v1.2.1 · 2026-09-08 · 清理内部引用（纯对外文档）+ 根 README 同步 v1.2 v1.2 · 2026-09-08 · understand 泛化：图片识别（png/jpg/webp/gif）+ 多文件混合输入 + >2MB 缩放提示；修 WEBP 误判 AVI v1.1 · 2026-09-08 · 时间戳/字幕支持（--format srt/vtt/verbose_json+说话人分离）+ 官方规格修正（50MB/500s/8 格式） v1.0 · 2026-09-08 · 首发（冒烟先行→开发→11 项功能测试→安装）