播客转录管道

解决的问题

播客制作常需要逐字稿：剪辑定位、内容检索、字幕发布、无障碍访问、引用摘录都依赖文本。人工转写一集节目耗时长；多人对话又容易出现说话人混淆；即便拿到文字，若没有可靠时间戳，也很难回到音频里定位片段或生成字幕。这个技能面向这些具体痛点，把“转写 + 说话人区分 + 带时间戳导出”串成一条管道。

工作方式

• 接收整集播客音频，通过 OpenAI Whisper API 做语音转写。
• 使用 pyannote.audio 做说话人分离（speaker diarization），将连续音频整理成可区分的说话人片段。
• 把转写文本、说话人标签与时间边界组合成 timestamped segments，便于按段定位和检索。
• 导出格式化转录结果到 SRT、VTT 和可搜索 JSON：前两者面向字幕与播放器，后者适合二次处理、全文搜索或脚本消费。

适用边界与注意点

• SKILL.md 未自动提取到有来源支持的安装或使用说明，在敏感流程运行前应审查上游项目。
• 转录质量受录音清晰度、口音、背景噪声、重叠语音和说话人变化影响；低质量输入可能产生错字、漏字或时间轴漂移。
• Diarization 提供的是说话人分段与标签，不等于真实身份确认；关键内容、敏感发言或发布前建议人工校验。
• 若音频会发送到外部 API，需确认隐私、授权、数据驻留与合规要求。
• 文档指向 OpenAI 的 speech-to-text 指南；下游应根据自身字幕或检索系统选择 SRT、VTT 或 JSON。