Whisper API 语音转录

解决什么问题

把录音、会议、播客变成可检索的文字，本来要拉一套本地语音模型：下载权重、配 Python 环境、准备 GPU，维护成本往往比转录本身还高。这个技能把整条链路收敛成一次 API 调用——不需要本地模型、不需要 GPU、也不需要 Python ML 栈，只要有 OpenAI Audio API 的凭证和 curl（或 OpenAI SDK）就能跑。

它是怎么工作的

核心能力是调用 OpenAI 的语音转录接口，输入音频文件，返回文字结果：

• 调用方式：通过 curl 直接发请求，或使用 OpenAI SDK 封装调用，技能本身以 shell 脚本为入口。
• 长音频处理：当音频超出单次请求的时长限制时，需要配合 chunking_strategy 做分块处理，这是上游文档明确要求的前提。
• 说话人标注：需要区分说话人时，同样依赖分块策略，超出单次请求范围的音频要先切分再逐段识别。
• 参考实现：技能维护者列出了 Node 参考实现与 Python 参考实现，可作为接入时的行为对照。

适用边界与注意点

• 强依赖网络与凭证：所有识别都在云端完成，本地没有任何模型兜底，断网即不可用。
• 成本不可忽略：按上游的模型与定价体系计费，批量处理长音频前建议先在文档里核对模型和用量。
• 长音频必须切分：时长超过接口上限的音频，直接整段提交会失败，需要先按 chunking_strategy 规划切分。
• 信息来自上游：模型选型、分块行为等细节以 OpenAI 官方语音转录指南为准，技能方文档未做额外扩展。

参考文档：https://developers.openai.com/api/docs/guides/speech-to-text