技能介绍

要解决什么问题

会议录音、录屏和播客往往只有音视频文件，事后整理纪要、摘引发言或做字幕都要反复拖进度条。多说话人场景里，若分不清「谁说了什么」，纪要可信度会明显下降。不同平台（Zoom 导出、YouTube、本地文件）格式不一，再叠加多语言或中英夹杂，选模型、出 SRT/VTT、做后处理时很容易在工具链之间来回切换。

技能如何组织工作流

本技能把转写流水线与配置项拆开说明，便于按场景选型：

会议转写：含会议纪要模板思路，以及 Speaker Diarization（说话人分离），让输出按发言人分段。
字幕与格式：支持生成 SRT、VTT 等常见字幕格式，方便剪辑或上线。
集成路径：覆盖 Zoom、YouTube 与播客类内容的处理流程，减少「先下载再转写」时的步骤遗漏。
语言与质量：说明多语言转写、Code-Switching（语码转换）场景，以及后处理与准确度评估（Accuracy Metrics）该怎么用。
API 参考：给出 OpenAI Whisper、AssemblyAI 等接入示例，便于对照官方能力做速度与精度权衡。

文档中还整理了实践要点：输入音质、模型选择、是否启用分离、后处理清洗、关键内容人工复核、隐私与存储方式、以及向模型提供词汇/领域上下文。

适用边界与注意点

技能侧重流程设计与 API/格式参考，不会替你自动安装依赖、改系统权限或创建持久化任务；涉及向外部服务发送音频、发布字幕、删除资源或部署等写入类操作，应先明确目标与影响并取得确认。凭据仅应用于你指定的官方服务，不宜在无关环境回显或转发。自动化转写仍可能出现专名、数字与口语误识别，关键决策与对外发布内容建议保留人工核对；敏感会议材料需自行评估留存与上传策略。