音频转录与精炼整理

要解决什么问题

长访谈、闭门会、B 站课程往往只有音频或网盘链接。手工下载、分段听写、再整理成可读笔记，既慢又容易在专有名词和后半段内容上翻车。本技能把「获取音频 → 转文字 → 可交付的精炼版」写成可重复执行的流程，而不是单次 prompt。

技能如何工作

来源与下载：支持 B 站、网盘分享（需浏览器渲染时用 Playwright）、HTTP 直链和本地文件；下载后记录实际时长，供后续完整性校验。

预览再调研（Phase 2.5）：先用 SenseVoice-Small 快速扫一遍（文档中在 XPU 上约 70× 实时率量级），从预览文本里抽陌生词，再搜索权威来源建专有名词表——避免按标题盲猜「智源/智元」这类错误。

精转录（Phase 3）：默认 Qwen3-ASR-1.7B，分片默认 30s、5s 重叠并做拼接去重；要求用 GPU / XPU / MPS，禁止把大模型当纯 CPU 长任务。模型与依赖走 ModelScope 与国内 PyPI 镜像。

精炼版（Phase 4）：按话题切章并标注 【MM:SS-MM:SS】，保留论证链而不仅是结论；多维度对比优先表格；整理前对照名词表修正 ASR，不确定标 [待确认]，文末建议附校正表。

完整性验证（Phase 5）：转录后核对首尾时间戳是否覆盖全长；精炼版最后一章应接近音频结尾——文档记录了因未校验导致长音频只整理到前半段的教训。

适用边界与注意点

• 网盘 SPA 页面依赖本机浏览器与 Playwright，环境差异会影响下载稳定性。
• SenseVoice 预览不是最终稿，人名/公司名仍需搜索验证。
• 精炼版目标是「没听原录音也能读懂在聊什么」，不是越短越好；CPU 转录约 1× 实时率，长音频不现实。
• 文档中部分脚本路径与 scripts/ 说明可能不一致，执行前应对照 skill 目录实际文件位置。