技能介绍

它解决什么问题

采访、访谈类音视频素材往往有数十分钟甚至更长，逐字整理既慢又容易出错：谁在什么时候说了什么、语气词怎么删、怎么排版成文档，都靠手工处理。这个技能把一条音视频（或拆成多段的同一素材）走完整流水线，直接产出一份带说话人区分、摘要和人物信息的 Word 文档（.docx），而不是给你一堆散乱的转录文本。

核心流程

输入预处理：视频提取最清晰静帧（五等分抽样比选）并转成 16k 单声道 MP3；音频直接使用。
默认本地转录：Paraformer-large，从魔搭下载、离线可用、无需 API Key，中文高精度。
切段自动决策：按所选模型能力决定是否切段（云端超 5 分钟必切，本地超 20 分钟建议切），不询问用户。
说话人分离：本地模式下 CAM++ 在模型内按声纹聚类完成，无需 LLM、无需 HuggingFace 或 pyannote；文档按首次出现顺序中性命名为 说话人1/2/3。
摘要与人物信息：LLM 生成 3–5 句摘要和人物信息表（学校、专业、年级、家乡、关键经历、核心观点），直接写入结构化 JSON。
生成 Word 文档：从 _document.json 直接渲染 .docx，含标题、静帧、摘要、人物表、带时间码的对话记录，无中间 Markdown。
收尾：自检精简语气词（不改原意、不动时间码），交付前预览确认说话人分得对不对，再询问分发位置。

适用边界与注意点

首次本地运行要联网下载模型（Paraformer-large 约 800MB，GPU 推理栈约 2.7GB），之后转录秒级启动；云端可选 Qwen3-ASR-Flash，需 DashScope API Key。
多段素材必须由用户明确说明哪几个文件属于同一次采访，否则每个文件各成一篇文档。
时间码精度有区别：Paraformer-VAD 给真实句级时间戳，SenseVoice 段内为估算值、仅段落边界精确，别标「精确到秒」。
本地说话人命名不做采访者/受访者角色判定，需要真实姓名或角色时用 --apply 覆盖。
依赖 ffmpeg、Python 包和 LLM（摘要步骤），Windows 路径需用正斜杠。分发到钉钉时图片必须上传插入而非写本地路径，且未经明确授权不发聊天消息。