录音转结构化笔记

解决什么问题

手机里大量语音备忘录、会议录音常常停留在“有文件没内容”的状态。手动转录慢，简单转文字又缺少标题、摘要、待办和说话人区分，难以沉淀到 Obsidian、Notion 或 Logseq 中。record2note 面向这个场景：把音频处理成可检索、可归档、可继续编辑的结构化笔记。

核心工作方式

技能将录音流程拆成两段：转写流水线与笔记生成。

• 音频预处理：用 ffmpeg 统一转为 16kHz 单声道 WAV，可选 Silero-VAD 跳过静音、afftdn 做降噪。
• Whisper 转录：调用本地 Whisper，并采用 GPU → 限制线程 → CPU 的降级策略；按音频时长和模型大小计算超时，避免长录音卡死流水线。
• 说话人标记：开启 diarization 时使用 pyannote-audio 分离说话人，把“甲/乙”等角色写回文本。
• 结构化笔记：转写结果先落到 pending JSON，再由 Agent 按模板生成标题、摘要、关键要点、待办事项和完整转录。
• Obsidian 适配：在 note_mode=obsidian 时输出 Callout、[[wikilink]] 和自动维护的索引页，便于后续双链检索。

适用边界

该技能偏本地自动化，首次运行需要下载模型和依赖，large-v3 或说话人分离会占用数 GB 空间。自动监控依赖 macOS fswatch、Windows 计划任务，以及 iCloud、Syncthing 或手动投递文件。若使用 Agent CLI 自动触发，在 launchd 或无 bash 环境中可能遇到权限问题，可关闭自动触发并手动处理 pending 文件。