会议纪要录音转写

解决什么问题

一段 70 分钟的产品评审会录音，最终要落到三件事上：谁说了什么、什么时候说的、以及会后谁要交什么东西。手工做这件事的成本很高——反复暂停播放、按时间戳抄句子、再从口语里把结论和待办抠出来；而通用语音转写工具给出的往往只是一整段没有说话人边界的文本，双人电话会议里“甲方还是乙方说的”只能靠猜，中英混说的跨境会议里还会出现英文句子被标成中文说话人的尴尬。

这个技能把整条链路收进一条命令为主的流程：本地跑转写，产出带时间戳的逐句文本，再做说话人区分，最后整理成结构固定的纪要文档，而不是给你一堆 txt 让你自己看。

技能如何工作

核心能力有四项：

• 时间戳转写：用 faster-whisper 的 small 模型（int8 量化，CPU 可跑）把音频切成 10 分钟一块、自动跳过已存在的块，每句带起止时间，支持中文、英文、中英混说。
• 说话人区分：两条路线。方案 A 用基频法（librosa.pyin 测 70–300Hz，165Hz 为界分男女声），双人男女声电话会议直接可用，零配置免 token；方案 B 用 pyannote speaker-diarization-3.1 声纹聚类，任意人数、同性别也能分开，精度更高。两种方案输出的格式不同：方案 A 给出 M/F 标签和每段的判定依据，方案 B 给出聚类标签和 .rttm 标准标注文件，整理时再映射成真实人名。
• 分块与断点续跑：默认 10 分钟/块、重叠 5 秒，单块失败可以重跑而不从头再来，并内置 500ms VAD 静音过滤减少幻听。
• 纪要生成：按模板整理出 minutes.json，再渲染成 docx；支持三种语言模式，bilingual 模式是中文正文加英文斜体灰字对照，行动项以表格形式给出负责人、事项、时间。

典型五步走：准备音频（ffprobe 确认时长与采样率）→ 分块转写成 transcript.json → 说话人区分 → 通读语义校对 → 生成纪要。转写耗时大约是音频时长的一比一，70 分钟录音在 CPU 上约 50–60 分钟；方案 B 再增加 15–30 分钟。

适用边界与注意点

• 方案 A 的基频法准确率约 85–90%，关键承诺、金额、日期这类信息必须结合上下文人工复核，不要把 M/F 标签机械当成人名落到纪要里。
• 方案 B 是 HuggingFace gated 资源，要用你自己的 token，并且要在 3 个模型页分别同意协议；token 建议用 --token-file 传入，避免留在聊天记录和 shell 历史里。
• 多人会议里声纹聚类给出的是 SPEAKER_00 这类匿名标签，纪要里的姓名归属仍然要人来确认。
• 术语和专有名词（公司名、产品名、系统名）需要通读时统一校对，口头提到的数字要标注“口头数据，待书面确认”。
• 镜像下载有坑：hf-mirror.com 对文件请求返回 308 重定向，跨域重定向时会丢 Authorization 头导致 401，失败时建议走 references 里记录的手动缓存放入方式。

它解决的是“从录音到可交付纪要”这条链路上的机械劳动和结构缺失，不替代对会议内容的判断。