会议语音识别

要解决什么问题

长视频、课程录音、访谈或会议回放往往只有几十分钟到数小时的音轨，人工听写成本高，且不同平台（腾讯会议云端转写、本地文件、第三方导出）格式不统一。你需要的是可核对原文的结构化输出——带时间戳的转写全文，以及概览、章节、行动项，而不是绑定单一云厂商的黑盒摘要。

技能如何工作

本技能把流水线拆成两段：确定性阶段由 scripts/summarize_video.py 完成（抽音频、调用 ASR、落盘），理解阶段由模型按 assets/summary_template.md 生成 _summary.md。

转写来源可自动降级，互不绑平台：

• 本地 Whisper（faster-whisper / openai-whisper）：离线、数据不出本机；视频需 ffmpeg 提音频。
• 阿里云百炼 Paraformer：需 DASHSCOPE_API_KEY，可直接处理本地文件。
• OpenAI Whisper API：需 OPENAI_API_KEY，无需本地模型。
• 外部转写：传入 .txt / .srt / .vtt（含 tmeet 导出）时用 --transcript 跳过 ASR。

典型流程：确认输入类型 → 运行脚本（同目录生成 _summary/，含 transcript.txt、transcript.json、transcript.srt 及元数据 JSON）→ 读取转写 → 按模板输出概览、带时间戳章节、核心要点、行动项（负责人+时限）、待澄清问题 → 校验时间戳与原文一致，不杜撰转写中不存在的内容。

边界与注意点

• 视频缺 ffmpeg 时无法抽轨，但纯音频或已有转写仍可走通；脚本会提示安装而非直接崩溃。
• 未配置任何 ASR 后端时，应改用 --transcript 或按 references/asr_backends.md 选型。
• 转写质量差（噪音、语种识别错）时，总结里应明确建议重传或换后端，而不是强行「补全」要点。