音视频批量转录为结构化逐字稿

要解决什么问题

短视频、播客、会议录音往往散落在多个文件里。人工听写成本高，普通 ASR 只给一大段纯文本，没有时间轴、说话人或段落结构，很难直接当稿用或做检索。

本技能面向「批量」场景：一次处理多段音视频，把识别结果整理成结构化逐字稿——而不仅是连续字符串。

技能如何工作

在对话中提供待处理的音视频（或说明路径/批次），技能会按文件逐个完成转录，并在输出中体现结构，例如：

• 按时间或语义切分的段落
• 可复制的逐字内容，便于校对与引用
• 适合后续改写成文章、摘要或字幕稿的文本形态

具体字段与格式以技能说明为准；核心是「转录 + 结构化」，而不是只 dump 原始识别 JSON。

适用边界与注意点

• 语言与音质：口音重、背景音乐大、多人重叠说话时，错误率会上升，需要人工校对。
• 版权与隐私：上传或引用他人素材前，确认你有转录与二次使用的权限。
• 体量：超长单文件或极大批次可能受上下文与处理时间限制，宜分批并保留源文件备份。