语音转写自动化

要解决的问题

处理音视频内容时，把语音变成可用的结构化文本往往意味着大量胶水代码：格式转换、轮询任务状态、拆分长音频、区分多人对话，每一项都要自己维护。这个技能把转写、时间戳、说话人分离和音频智能分析收敛到一套一致的接口里，让工程师可以直接在业务代码中调用，而不必自建一套定制管线。

核心能力与工作方式

技能基于 Gladia 语音转写 API，提供两种模式：

• 预录制（批量）：上传 MP3、WAV、MP4 或 YouTube 链接，异步转写，适合录像、播客、会议归档。典型流程：准备音频 → 配置 language_config.languages、diarization、custom_vocabulary → 调用 transcribe() 或 POST /v2/pre-recorded → 轮询或 webhook 取结果 → 解析 transcription.utterances[] 获取文本、时间与置信度。
• 实时（流式）：通过 WebSocket 流式传输音频，适用于呼叫中心、直播字幕、语音助手。流程为 POST /v2/live 初始化 → 连接 WebSocket → 发送音频块 → 监听消息并用 is_final 区分中间稿与定稿 → stopRecording() 触发后处理。

返回结果带词级时间戳与置信度，并可选音频智能：翻译、摘要、说话人识别、命名实体、情感分析、PII 脱敏、字幕生成。遵循 SDK-first 策略，优先使用 @gladiaio/sdk（JS/TS）或 gladiaio-sdk（Python），认证通过 x-gladia-key 头。

适用边界与注意点

• 预录制上限：单文件 1000 MB、135 分钟；超长内容需用 ffmpeg 切块。
• 实时会话上限 3 小时：长活动需在上限前关闭并新建会话；断线后连同一 URL 可恢复上下文。
• 说话人区分：diarization 仅预录制支持；多路独立音轨可用 multi-channel，但按「时长 × 声道数」计费。
• 误识别调优：领域词先试 custom_vocabulary（默认 default_intensity: 0.4）；能识别但拼错的词用 custom_spelling。
• 轮询限流：优先配置 webhook，否则用指数退避轮询。
• 实时中间稿不准：关键决策前务必确认 is_final: true。