技能介绍

它解决什么问题

拿到一段一小时的会议录像、播客或者课程录音时，真正的麻烦往往不是"听不见"，而是"没法快速定位和复核"。手动拖时间轴、记笔记、再从成品里逐段剪出需要复核的内容，既慢又容易漏掉关键片段。这个技能把这件事拆成一条可重复的本地流水线：先把长媒体转写成带时间戳的文本，再据此提出剪辑点建议，最后产出一段段带字幕的小片段，方便人工或 Agent 逐条审阅。

技能如何工作

核心能力来自 FunClip，工作流大致是：

语音识别：调用 FunASR 支持的模型做转写，时间戳是切片段的基础。FunClip 目前支持 Fun-ASR-Nano（覆盖 31 种语言，精度更高）和 SenseVoice（额外提供情感识别与音频事件检测）两类模型。
剪辑点建议：基于转写结果给出片段起止时间。v2.0.0 之后支持用大语言模型做智能剪辑，可接入 qwen 系列、GPT 系列等模型，并提供了默认 prompt，也能自行调整。
产出可审阅产物：按建议的时间戳切出视频或音频片段，并生成对应的字幕文件，审阅者可以对着字幕逐段确认。
运行时：通过 python funclip/launch.py 启动，支持指定语言（例如英文音频用 -l en），本地或服务器上的 Gradio 界面都可以。

适用边界与注意点

这是一条本地流水线，需要 Python 环境、FunClip 源码、FunASR 模型以及本地或服务端的 Gradio 运行时，不是上传云端就能用的即开即服务。
Whisper 模型的英文支持当时标注为 coming soon：带时间戳的 Whisper 识别对 GPU 显存要求很高，官方当时的做法是用 FunASR 里原生 Paraformer 的时间戳预测来替代，这一点在选型时要心里有数。
剪辑质量依赖转写结果和模型的 prompt 设置，默认 prompt 只是起点，实际使用中需要按素材类型调整。
模型更新以上游说明为准（如 Fun-ASR-Nano 与 SenseVoice 的支持时间），使用前建议核对最新的 FunClip 文档。