会议录音转结构化纪要

会议结束后，记录往往跟不上讨论

远程或现场会议里，真正有价值的是谁说了什么、定了什么、谁要在什么时候做什么。纯靠手写或平台自带字幕，很难同时拿到带时间戳的完整逐字稿、说话人区分，以及可执行的纪要结构。本技能让 Agent 把一条会议录音走完整条流水线：从原始音频到可归档、可跟进的文档。

技能如何工作

1. 接入与校验：接受 MP3、WAV、M4A、FLAC、OGG、WebM 等格式，检查时长、声道与体积；必要时用 FFmpeg 等转为 16kHz 单声道 WAV。
2. 预处理：降噪、电平归一化；多声道时可按声道拆分以辅助说话人分离；低信噪比片段会标记为可能不可靠。
3. 说话人分离（diarization）：为不同说话人打标签（默认 Speaker 1/2…），支持事先或事后提供姓名映射；重叠发言归主导说话人并注明重叠。
4. 转写：经 Whisper、Deepgram 等引擎得到带时间戳的文本，补标点与大小写；多语言场景可分段识别原语言并可选内联翻译。
5. 结构化摘要：从全文抽取议题、决议、开放问题、行动项（负责人、任务、截止日期），输出 Overview、Key Discussion Points、Decisions、Action Items、Follow-ups 等区块。
6. 交付：按 Markdown、JSON 或纯文本输出；逐字稿与摘要分开展示；若有日历权限，可自动填充会议标题、参会人与议程。

典型提示格式：Audio file、Speakers（可选映射）、Language、Output format。

适用边界与注意点

• 多人同时说话时，内容可能标为 [crosstalk]，低置信度（如 STT < 0.7）片段宜人工复核。
• 电话或嘈杂环境录音应预期准确率下降，可能出现 [inaudible] 标记。
• 超长会议（2 小时以上）宜分块处理，并配合分段摘要便于检索。
• 涉及敏感信息时，输出应受访问控制；凭据与外部写入需用户确认（见简诗 AI 安全边界）。

实践建议：尽量使用分轨或多声道录制；提前提供说话人姓名映射；摘要控制在一页内，聚焦决议与行动项，完整细节留给逐字稿。