技能介绍

问题背景

会议录音通常包含多人交叉发言，直接转文字后难以定位谁在何时说了什么，后续摘要也缺少决策和待办线索。该技能面向本地音频处理：先把 mp3、m4a、flac 等文件归一为 16kHz 单声道 WAV，再基于离线 Vosk 做语音识别，减少音频上传到服务器的依赖。

工作方式

流程分为四步：音频预处理、转写与说话人分离、Markdown 录音稿格式化、AI 生成会议纪要。核心输出是带 speaker_label、start、end 和 text 的 segments 数组，随后渲染成可阅读的对话稿。

Full 模式：使用 vosk-model-spk-0.4 提取声纹，通过聚类区分说话人，支持自动估算或手动指定人数。
Lite 模式：不依赖声纹模型，基于静音停顿推断切换，适合快速预览。
模型查找：优先环境变量 VOSK_MODEL_PATH，其次技能本地 ./models/、用户目录和系统目录，也允许 --model 与 --spk-model 手动指定。

适用边界

中文小模型约 42MB，适合常见对话，但对专业术语和方言可能不够稳；更高精度可换约 1.3GB 的中文大模型。超过 30 分钟的录音，处理时间可能约为音频时长的 0.3 到 0.5 倍。若说话人切换密集，Full 模式通常比 Lite 模式更容易得到稳定分段；会议纪要由 Agent 根据录音稿生成，适合补充摘要、议题、决策和待办，而不是替代人工审核。