语音转写整理

语音转写工具输出的原始稿往往难以直接归档：句读缺失或错乱、大量“嗯/啊/然后/就是”之类的口语填充词、标点重复、长段口语没有段落边界，会议里讨论出的待办、截止时间和结论散落在字里行间，人工整理既费时又容易漏项。@user_2fd890c9/audio-transcript-format 瞄准的就是这一步：不做语音识别，而是在已有转写文本上做规则化的整理与结构化提取。

核心能力

• 文本整形：健壮分句（引号、括号、缩写内的句号不会被误切）、填充词清理与指代保护（“那个项目”这类指代会保留）、句尾语气词保留、标点修复（好的。。！ → 好的！、英文与中文之间补空格）、术语统一（--terms 传入映射，大小写不敏感）、段落分割（按主题漂移和连接词边界切分）、列表化（“第一/第二”“首先/其次”转为有序列表）。
• 决策记录提取：从转录稿中识别四类信息——待办（谁做什么）、截止（时间承诺）、异议（不同意见/风险）、决策（已敲定事项），每项都带原文句索引，可用 --extract json 或 --extract markdown 输出。
• 领域词表：--domain general/meeting/legal/medical 四套词表，让期限、开庭、疗程、医嘱等专业术语的提取更精准。
• 导出与度量：--export ics 把提取结果导出为可导入日历应用的 .ics 文件；--export html 生成红删绿增蓝分段的可视化“手术报告”；--benchmark 在 149 条黄金语料上输出精确率/召回率/F1（当前 F1≈0.84）。

工作方式与关键步骤

纯 Python 标准库实现，无第三方依赖，Python 3.8+ 即可运行。输入是纯文本文件，编码自动探测（utf-8/gbk/gb18030）。推荐流程：

1. 运行 python run.py --selftest，确认 40 条内置断言全部通过；
2. 执行 python run.py --input transcript.txt --dry-run --verbose，先看 diff 和每阶段修改明细；
3. 确认无误后加 --force 落盘，并另存原始稿以便审计。

默认是预览模式，只有明确加 --force 才会写文件，这对不可回溯的口语原稿尤其重要。

适用边界

• 不识别说话人：不做说话人分离，没有发言人标签；
• 不脑补内容：听不清或缺失的信息不会补全，也不输出“[需核实]”占位符；
• 不翻译、不摘要：只做格式整理和规则提取，不做中英互译，不提炼要点；
• 规则而非语义：整理和提取基于正则规则，不是 LLM 语义理解，提取结果并非 100% 准确。工具用置信度分级（高 ≥0.9 直接提取并标 ✅，中 0.7–0.9 标 ⚠️ 需人工确认）来提示风险，每项提取都带原文句索引供核对。

因此，涉及法律、医疗等专业决策时，提取结果只能作为线索，必须人工复核，必要时咨询持证专业人士。