技能介绍

核心痛点：安全与效率的平衡

很多团队需要将会议录音、访谈音频或线上课程快速转化为文字，以便进行纪要整理、内容归档或信息检索。然而，将涉及内部讨论、商业机密或未公开数据的录音文件上传至第三方云端服务，存在不可忽视的数据泄露风险，这对于企业、尤其是对信息安全有严格要求的单位（如国企、央企）来说，是一道无法绕过的红线。本技能旨在提供一个本地优先、离线可用的录音转文字解决方案，确保原始音频数据始终在本地设备处理。

它是如何工作的？

该技能通过调用本地的 whisperX 等 ASR（自动语音识别）引擎进行转写，核心工作流分为以下关键步骤：

环境自检：执行 scripts/check_env.py 检测 ffmpeg、语音模型库（如 whisperx）以及可选的说话人分离模型（如 pyannote）是否就绪。这是决策的基础。
智能分支决策：

本地优先：若环境完备，默认执行本地转写。这是推荐的默认路径，音频文件不会离开您的设备。
云端兜底：仅当本地引擎确实不可用（如缺少依赖且无法安装），且您明确同意上传文件后，才会调用云端 API（如通义千问 Paraformer 或 OpenAI Whisper）。这是一个降级选项，且云端通常不支持说话人分离。

灵活转写：支持 m4a, mp3, wav, flac, mp4 等常见音视频格式。您可以指定模型大小（--model large-v3/medium/small）来平衡精度与性能，并通过 --hint-words 参数喂入特定行业术语或人名以提升转写准确率。对于多人对话，可启用 --diarize 参数进行说话人分离。
标准化输出：默认生成带时间戳的 .srt（字幕文件）和 .vtt 文件，以及纯文本 .txt 稿件。输出文件顶部会自动添加机器转写免责声明水印，提醒下游使用者进行人工核对。

适用边界与重要提示

这不是“精校稿”：ASR 输出是机器转写，必然存在错字、同音字错误，尤其是在处理专有名词、数字和方言口音时。所有产出的文字稿均需人工审校后方可用于正式纪要或发布。
隐私保护机制：对于国企/央企等敏感场景，默认的本地模式是硬约束。云端功能是应急补充，启用前系统会进行严格确认。
集成工作流：本技能产出的 .txt 和 .srt 文件可作为下游分析技能（如会议纪要生成、访谈洞察提取）的标准输入。转写完成后，可主动询问是否进行下一步处理。