免费语音识别

要解决的问题

手动转写长音频或视频往往耗时：需要反复暂停、记录内容，遇到中文、英文及方言混合的内容还容易出现识别偏差，且多数识别服务需要自行填写 API Key、Token 或配置网关，操作门槛较高。

核心能力与工作方式

该技能基于 XingChenAGI/XingChenASR-V3.2-Ultra 模型，支持中文、英文及多种中国方言混合识别，输入需为本地音频或视频文件。使用时无需用户提供 API Key、Token 或网关地址，仅推荐安装 ffmpeg——其作用是兼容视频和常见音频格式，同时将长音频自动转码、分片。

具体工作步骤：

• 确认本地输入文件存在，并提前向用户说明音频会上传至技能发布方的 HTTPS 网关 https://asr.asrtest.co.uk，再由网关转交 SiliconFlow 完成识别；
• 调用脚本 scripts/free_asr.py 并传入本地文件路径；
• 脚本通过 ffmpeg 将音频转为 16kHz 单声道 WAV 格式，长音频切成约 12 分钟的分片，相邻分片保留约 8 秒上下文，避免在词句中间截断；
• 分片以 chunk-000.wav、chunk-001.wav 等名称依次提交，合并结果时仅删除完全一致的边界重复文本，无法确认时保留少量重复以保证语义完整；
• 将脚本标准输出中的真实转写文本返回用户，同时保存在 free_asr_outputs/run_*/transcript.txt 中，不擅自改写、总结或翻译。

适用边界与注意点

• 仅执行语音识别，不默认生成摘要、翻译、字幕时间轴或识别说话人身份；
• 单个上传分片不得超过 25 MB，脚本会通过转码和分片尽量满足限制；
• 不绕过 DRM、付费墙或登录限制，网页媒体链接需先通过合规方式下载为本地文件再调用；
• 网关不可用、限流或达到服务额度时，需如实向用户报告错误，不要求用户提供 SiliconFlow Key。