音视频转录

要解决什么问题

采访、会议、课程录像往往只有音视频，整理成可检索、可引用的文字稿还要区分「谁在什么时候说了什么」。纯听写工具常常没有说话人标签；云端 ASR 又要 API Key 且长音频容易超时。若同一段内容被拆成多个文件，还容易误当成多篇独立文档。

技能如何工作

整条链路面向 交付 Word（.docx），而不是中间 Markdown：

• 预处理：ffmpeg 抽视频静帧、转 16k 单声道 MP3；多文件时由用户指明归属后合并再转录。
• 默认本地 ASR：Paraformer-large（魔搭下载、可离线），模型内用 CAM++ 做说话人分离，输出带 SPEAKER_XX 的结构化 _transcript.json。
• 切段：按模型能力与时长自动切（如长音频约 4 分钟/段），不额外打断用户。
• 后处理：同音字校对（LLM 或 call_qwen.py）、摘要与人物信息写入 _document.json，build_document.py 组装对话轮次（长独白自动分段）。
• 成稿：build_docx.py 直接渲染摘要、人物表、彩色圆点区分说话人的对话记录；交付前可预览说话人与摘要要点。

可选 Qwen3-ASR-Flash（DashScope）；云端无原生说话人分离，需 LLM 语义切分。长耗时步骤应后台跑并轮询进度，避免 Agent 前台阻塞。

适用边界与注意点

• 本地说话人分离依赖 punc_segment 句子级 四件套（VAD + 标点 + Paraformer nat + CAM++）；配置不对会出现「前几秒并成同一人」。
• SenseVoice 等路径下句级时间码多为段内插值估计，勿对外承诺「精确到秒」。
• 多段音视频必须用户说明哪些文件同属一段，否则默认各生成一篇文档。
• 钉钉等在线文档不能渲染本地图片路径，分发需按技能说明上传媒体；未经授权勿发聊天消息。