Gladia 音频智能

要解决的问题

拿到一份转写文本之后，通常还有一堆问题没回答：谁在说话？里面有没有手机号、身份证号需要脱敏？用户说了外语要不要翻译？整体情绪如何？如果每个后处理逻辑都分散在不同地方对接，调试和维护成本会越来越高。这个技能把这些需求收敛到一组统一的配置选项里，直接挂在转写任务上。

核心能力与工作方式

技能运行在基础转写之上，本质是给转写任务附加结构化数据提取的能力。预录场景在 transcribe() 调用里加选项，实时场景在 startSession() 的 config 里启用。

支持的能力包括：说话人分离（diarization）、翻译、情感分析、命名实体识别、字幕（SRT/VTT）、PII 脱敏、章节划分、摘要、Audio-to-LLM、自定义词汇、自定义拼写和自定义元数据。

实时模式下结果分两类：real-time 功能在会话进行中通过 WebSocket 事件流式返回；post-processing 功能要等 stopRecording() 之后才拿到结果，例如实时摘要会以 post_summarization 事件的形式到达。

适用边界与常见坑

说话人分离、字幕、PII 脱敏、Audio-to-LLM 只在预录模式可用，实时模式下不存在这些能力。

code_switching: true 但 languages 为空会触发 100+ 语言的评估，误检率很高，应显式给出 3-5 个预期语言。自定义词汇强度超过 0.6 会误替换无关词，建议控制在 0.4-0.6 并配合发音字段。同时开启多个功能会叠加处理时间和成本，按需启用即可。

SDK-first：始终使用官方 SDK，参照 sdk-integration 的策略、初始化方式和回退标准。