修改资源URL模式，不再存储https://domain 前缀

app/api/stt/index.ts

@@ -0,0 +1,49 @@
+import fs from "fs";
+import OpenAI from "openai";
+import prompt from "./prompt.md";
+import { prisma } from "@/lib/prisma";
+
+const client = new OpenAI({
+  apiKey: process.env.OPENAI_API_KEY,
+  baseURL: process.env.OPENAI_API_BASE_URL,
+});
+
+async function transcriptAudio(audio: Buffer | string) {
+  if (typeof audio === "string") {
+    audio = fs.readFileSync(audio);
+  }
+  const base64Audio = Buffer.from(audio).toString("base64");
+  const response = await client.chat.completions.create({
+    model: "gemini-2.5-flash-lite",
+    messages: [
+      {
+        role: "user",
+        content: [
+          {
+            type: "text",
+            text: prompt,
+          },
+          {
+            type: "input_audio",
+            input_audio: {
+              data: base64Audio,
+              format: "wav",
+            },
+          },
+        ],
+      },
+    ],
+  });
+
+  console.log(response.choices[0].message.content);
+}
+
+async function transcriptAweme(awemeId: string) {
+  const aweme = await prisma.video.findUnique({
+    where: { aweme_id: awemeId },
+  });
+  if (!aweme) {
+    throw new Error("Aweme not found or aweme is not a video post");
+  }
+  
+}

app/api/stt/prompt.md

@@ -0,0 +1,51 @@
+你将接收一段音频。请完成：
+A.语音活动检测（VAD）与声源分类；
+B.条件式处理：
+- 若包含可辨识的人类发言：** 进行转录 **（保留原语言，不翻译），并尽可能给出说话人分离与时间戳；
+- 若不包含人类发言：** 不转录 **，仅返回音频类型与简要描述。
+C.严格输出为下方 JSON，字段不得缺失或额外编造。听不清处用“[听不清]”。
+
+** 输出 JSON Schema（示例）**
+
+```json
+{
+  "speech_detected": true,
+  "language": "zh-CN",
+  "audio_type": null,
+  "background": "music | ambience | none | unknown",
+  "transcript": [
+    {
+      "start": 0.00,
+      "end": 3.42,
+      "text": "大家好，我是……"
+    },
+    {
+      "start": 3.50,
+      "end": 6.10,
+      "text": "欢迎来到今天的节目。"
+    }
+  ],
+  "non_speech_summary": null,
+}
+```
+  >
+** 当无发言时返回：**
+
+```json
+{
+  "speech_detected": false,
+  "language": null,
+  "audio_type": "music | ambience | animal | mechanical | other",
+  "background": "none",
+  "transcript": [],
+  "non_speech_summary": "示例：纯音乐-钢琴独奏，节奏舒缓；或 环境声-雨声伴随雷鸣。",
+}
+```
+
+** 规则补充 **
+
+* 只要存在可理解的人类发言（即便有音乐 / 噪声），就执行转录，并在 `background` 标注“music / ambience”。
+* 不要将唱词 / 哼唱视为“发言”；若仅有人声演唱且无口语发言，视为 ** 音乐 **。
+* 不要臆测未听清内容；不要添加与音频无关的信息。
+* 时间单位统一为秒，保留两位小数。
+* 允许`language` 为多标签（如 "zh-CN,en"）或为 `null`（无发言时）。