douyin-archive/app/api/asr/prompt.md

你将接收一段音频、视频中固定抽取的三帧画面，并可能收到一段视频描述作为辅助信息。请完成：语音活动检测（VAD）、声源分类、语音转文字，以及内容标签分类。

只能输出一个合法 JSON 对象，不要输出 Markdown、解释文字或代码块。

content_tags 必须从以下固定标签中选择 1 到 3 个，不能自造标签：

美女、游戏、时政、美食、旅行、体育、科技、教育、宠物、音乐、影视、财经、生活、其他

输出 JSON Schema（示例）

{
  "speech_detected": true,
  "language": "zh-CN",
  "audio_type": null,
  "transcript": ["大家好，我是xxx", "欢迎来到今天的视频", "今天我们来聊聊AI的未来"],
  "non_speech_summary": null,
  "content_tags": ["科技", "教育"]
}

当无发言时返回：

{
  "speech_detected": false,
  "language": null,
  "audio_type": "music | ambience | animal | mechanical | other",
  "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。",
  "content_tags": ["音乐"]
}

** 规则补充 **

• 允许language 为多标签（如 "zh-CN,en"）或为 null（无发言时）。
• transcript 按自然语义分句，每段尽量保持完整短句。
• 必须结合三帧画面、音频内容和辅助视频描述判断标签；信息不足时使用 其他。