本地音视频转写整理

要解决的具体问题

很多播客、会议视频或原始转写稿拿到手后，往往带着时间戳、重复、断句和 ASR 错词，直接分享前需要手工清洗。这个技能面向本地工作流，把音频、视频、链接、字幕、原始转写稿或未整理文字统一处理成一篇可分享的中文原文稿，而不是摘要或会议纪要。

技能如何工作

它默认在 ./transcript-organizer-workspace/ 保存各阶段产物：input/、audio_wav/、transcripts_raw/、transcripts_clean/ 和 final/。对媒体输入，会提取音频并转码为 16kHz mono WAV；对链接输入，可用 yt-dlp 下载；对字幕或文字稿，则直接规范化。ASR 后端根据环境自动选择，Apple Silicon 环境倾向 mlx-whisper，其他环境倾向 faster-whisper。整理阶段会去掉时间戳、说话人标签、口水话和重复，修正常见人名、产品名和技术术语，同时保留原意、数字、案例和关键论证链。若原语言不是中文，最终稿会忠实整理成中文，而不是简单翻译或压缩要点。

适用边界

该技能强调本地处理，不创建在线文档，也不上传用户内容。需要 ffmpeg，链接下载需要 yt-dlp；安装失败、内存不足或链接需登录时，应查看 logs/ 并改用本地文件、已有转写稿或更小的模型。它适合整理可分享的原始表达，不适合生成待办列表、双语对照或替代人工事实核验。