技能介绍

要解决什么问题

会议录音、访谈音频和项目现场收音，往往只有文件、没有可直接检索和引用的文字稿。手工听写成本高，直接把音频丢给通用云端 ASR 又容易踩数据不出域的红线——尤其在国企/央企场景里，音频默认不应上传第三方。

本技能把目标定得很具体：产出可直接用于纪要整理、访谈归档的稿本，而不是一段不可定位的纯文本。默认带时间轴（.srt / .vtt），按需加说话人标注；转写完成后可衔接下游纪要或访谈洞察类技能。

如何工作

触发后先做三件事：定位音频（支持常见容器与编码，内部用 ffmpeg 解码）、跑环境自检（ffmpeg、whisperX、faster-whisper，以及说话人分离所需的 Hugging Face token、云兜底所需的 API Key）、按自检结果选分支——不假设环境已就绪。

本地默认：whisperX 离线转写，数据不出域；需要说话人分离时加 --diarize（需 HF_TOKEN）。
本地未就绪：给安装引导，装好再转；用户不同意上云则停在环境未就绪，不擅自上传。
云兜底：仅在本地不可用且用户显式同意后启用；可选 OpenAI 或境内 dashscope（Paraformer）。云端路径不做说话人分离。

常用质量参数包括 --lang zh（中文录音务必指定，避免语种误判）、--model（默认 large-v3，弱机可降档）、--hint-words（专名/术语热词）、--speakers N（已知人数时指定）。长录音（>1.5h）脚本内置分块；显存/内存不足时调小模型与 batch。

交付前会在稿顶加 ASR 水印，提醒专名/数字须以原音频为准；文件名与落盘路径可用代号，对话中避免回显甲方真实名称或涉密片段（除非用户要求全文）。