一、政策驱动与档案类型的结构性变化
档案管理正在经历一场深刻的数字化转型。2024年，《电子档案管理办法》（国家档案局22号令）正式施
行；2026年，中共中央办公厅、国务院办公厅印发《全国档案事业发展“十五五”规划》，明确提出“拓展'
人工智能＋档案'，推进数智技术赋能档案工作”。同年，国家档案局印发《关于推进人工智能在档案行业应
用的意见》，将智能化档案检索、档案编研、音像档案修复等列为优先推进的典型应用场景。
这一系列政策的密集出台，标志着档案工作已从“纸质化”迈入“数智化”的新阶段。
与此同时，档案资源的类型结构正在发生显著变化。调研显示，数字档案馆在存量数字化方面成效显著，声像
档案数字化率已普遍达到100%。然而，在馆藏资源结构中，纸质档案仍占比超过60%，音像、实物等非传统载
体档案的保存条件亟待优化。更值得关注的是，音视频、三维模型等非结构化数据在档案资源中的占比仅约15%
——这一比例看似不高，却揭示了两个关键问题：一是音视频档案的增长速度远超其他类型，随着数码设备
的普及，照片、视频、音频材料的生成门槛大幅降低；二是现有管理手段对非结构化数据的处理能力严重不足。
以全国各级综合档案馆的接收数据为证：2023年接收录音磁带、录像磁带、影片档案3.0万盘，2024年增至4.2万盘
——一年间增长40%。这一增速远高于同期纸质档案的增幅。按照《录音录像档案管理规范》（DA/T 78—2019）的
要求，录音录像档案应遵循“集中管理、过程管理、便于利用、安全保密”的基本原则。然而，“便于利用”这一目
标，在传统的音视频档案管理模式下面临巨大挑战。
二、音视频档案全文检索：为何必要？
传统的音视频档案利用方式，高度依赖人工著录的标题、时间、人物等元数据。用户若要查找一段视频中的具体内容，
只能通过目录检索定位到文件，然后从头到尾播放、浏览，效率极低。
这种“可看不可搜”的困境，与档案利用的根本目标背道而驰。《录音录像档案管理规范》（DA/T 78—2019）明确规
定，录音录像文件应客观、系统地反映主题内容。但这些“主题内容”若不能被高效检索和利用，档案的价值便大打折扣。
全文检索技术的引入，正是破解这一困局的关键。通过将音视频中的语音转换为文字、将视频画面分解为可检索的结构化
数据，音视频档案从“沉默的影像”变成了“可对话的史料”。北京昌平区档案馆开发的跨模态检索系统，实现了对文字、
图像、音频、视频等档案资源的一站式检索，查档时间平均缩短90%。
更重要的是，全文检索不仅是“检索工具”，更是“利用入口”。只有将音视频内容转化为可检索、可分析的文本数据，
才能进一步实现AI编研、智能推荐、知识挖掘等深度利用——这正是《关于推进人工智能在档案行业应用的意见》所强
调的方向。
三、技术实现路径
在政策驱动与技术成熟的双重背景下，中禁创科数字档案管理系统在原有全文检索与AI编研能力的基础上，完成了对音视
频档案的全链路智能化升级。以下从五个核心能力展开。
（一）语音转文本（ASR）：让音视频“开口说话”
音视频档案全文检索的第一步，是将非结构化的音视频内容转化为结构化的文本。系统通过部署中文友好的ASR（自动语
音识别）服务（基于FunASR等技术），将WAV、MP3等音频格式以及MP4、MPG、AVI等视频格式中的语音，
转写为**带时间戳的结构化文字**。
这一过程并非简单的“语音转文字”，而是生成包含每个句子及其对应时间轴的完整转录数据。每一段文字都精确关联到
音视频中的具体位置，为后续的“音文联动”和精准检索奠定基础。
（二）全文检索：从“搜标题”到“搜内容”
转写完成的文本，通过系统的异步处理链路存入Elasticsearch（ES）。系统的全文检索机制已在此前对PDF、Word、图片等文件类型上得到充分验证：通过“任务投递→异步消费→内容转换→回调入库→清洗写入ES→状态闭环”的六步流程，实现秒级关键词检索。
音视频转写文本的加入，使得这一检索能力从文本类档案延伸到了音视频类档案。用户输入一个关键词，系统不仅能在PDF
和Word中命中，还能在音视频的**转写文本**中精准定位——哪一分哪一秒说了什么，一目了然。
（三）AI编研：音视频成为“可生成”的素材
系统的AI编研能力此前已实现对文书档案的智能选材与自动撰稿：通过AI模型从ES中推荐相关档案，再由大模型
生成编研文稿初稿。
音视频转写文本的纳入，使得AI编研的素材池从“纯文本”扩展到了“音视频衍生文本”。当用户创建一个编研专题时，
AI推荐模块不仅可以从文书档案中检索，还可以从音视频的转写文本中提取相关内容。这意味着，一段领导人讲话的视频、
一次重要会议的录音，都可以成为AI编研的“原料”——系统自动提取相关段落，纳入编研素材，辅助生成大事记、专题
概要等文稿。
（四）在线预览联动：播放与文字“同频共振”
这是音视频档案利用中最具用户感知度的功能升级。采用双栏布局：左侧为播放器，右侧为从ES读取的带时间戳字幕列表。
当用户播放音视频时，右侧文字同步高亮显示当前正在播放的内容；当用户点击右侧某段文字时，播放器精准跳到对应的时刻。这种“音文联动”的交互方式，将原本需要从头到尾浏览的线性体验，升级为“点击即达”的精准利用
模式。
（五）关键帧提取：让视频“一图胜千言”
除语音转文字外，系统还通过FFmpeg对视频进行关键帧自动提取，捕捉视频中的代表性画面，存入MinIO对象存储。
这些关键帧不仅可用于视频的缩略图展示和快速预览，还为未来的“以图搜视频”等跨模态检索能力预留了技术空间——
这正是国家档案局推动的“多模态”检索方向的具体实践。
四、技术架构的延续与扩展
上述五项能力的实现，并非推倒重来，而是对系统现有架构的最小改动、最大复用：
异步处理链路保持不变：音视频任务同样通过Redis队列投递、Python Worker消费、Java回调入库，主线程不阻塞。
ES索引能力平滑扩展：在原有content字段存储全文的基础上，新增media_metadata嵌套字段，存储时间戳列表和
截图URL，结构清晰、查询高效。
AI编研链路直接复用：转写文本存入ES后，AI推荐和素材提取逻辑无需改动，即可“无感”覆盖音视频档案。
三库分离的存储架构不变：MinIO存原始文件与关键帧，ES存全文与结构化元数据，MySQL存任务状态与业务数据。
这种“增量式”升级思路，使得系统在增加音视频处理能力的同时，保持了整体架构的稳定与一致。
五、结语
从政策导向看，“十五五”时期档案工作的核心关键词是数智化转型；从资源结构看，音视频档案正以远超其他类型
的速度增长；从利用需求看，用户不再满足于“找到一卷档案”，而是希望“找到档案中的一句话、一个画面”。
中禁创科数字档案管理系统的音视频智能化升级，正是对这一趋势的回应——让每一段音频都能被搜索，让每一帧画面都
能被利用——这才是音视频档案管理的未来。
