音频转会议纪要

要解决什么问题

会议录音常见格式是 .m4a、.mp3、.wav 等，手工听写成本高，且很难保留「谁在什么时间说了什么」这类结构。若把整段音频上传到云端转写，隐私和合规压力也会上来。

本技能把流程拆成两步：本地语音转文字（带时间戳）+ 可选的 LLM 整理纪要。转写阶段音频不离开本机；只有在你配置了 API 且走「自动纪要」模式时，才会把文本稿发给 OpenAI 兼容接口。

如何工作

1. faster-whisper 在本地解码并转写（依赖 PyAV，无需单独装 FFmpeg），输出带时间戳的文稿。
2. 若 config.ini 里 [llm] 的 api_key 为空，则只生成转写文件（例如 output/meeting_transcript.txt），你可再交给其它纪要类技能二次整理。
3. 若配置了 api_key、base_url、model，脚本会用同一套 OpenAI 兼容 API（文档中列举了 DeepSeek、通义、智谱、OpenAI 等示例）把转写稿整理成结构化会议纪要，并可输出 Markdown / Word（python-docx）。

关键配置在 config.ini：[whisper] 控制模型体量（tiny～large-v3）、language（如 zh）、device（cuda / cpu）与 compute_type；国内首次拉模型可用 hf_mirror（默认 https://hf-mirror.com）。Windows 侧可用拖拽音频到 run.bat 的方式触发。

适用边界与注意点

• 算力：有 NVIDIA GPU 时建议 cuda + float16；纯 CPU 可用较小模型 + int8，时长会明显变长。
• 首次运行：medium 等模型约 1.5GB 级下载，缓存后转写可离线；LLM 步骤仍需要网络。
• 识别质量：中文场景文档建议 medium 或更大模型，并显式设置 language = zh。
• 显存不足：可改用 small 或 int8，详见技能附带的 references/troubleshooting.md。