Funasr Transcribe

FunASR 语音转文字

本 skill 提供本地语音识别服务，将音频或视频文件转换为结构化的 Markdown 文档。

功能概述

• 支持多种音视频格式（mp4、mov、mp3、wav、m4a、flac 等）
• 自动生成时间戳
• 支持说话人分离（diarization，默认启用）
• ONNX 加速模式：支持 paraformer-onnx 与实验性的 SenseVoice-Small ONNX
• 单人快速模式：--fast / "fast": true 关闭 diarization，默认仍走 paraformer
• Paraformer ONNX 后处理优化：paraformer-onnx 单人/多人路径都会先 VAD 分段，再清理文本输出、恢复标点并输出句子级时间戳；单人路径使用全局标点恢复，多人路径使用逐段标点以保留 speaker 对齐
• 视频关键帧截图提取：自动检测并提取 PPT 幻灯片，插入到转录稿对应位置（视频文件自动启用）
• 转录后自动附带 AI 总结提示词，Agent 可一步完成总结
• 输出 Markdown 格式，便于阅读和编辑

依赖

系统依赖

Python 包

首次需要运行 ONNX 模式时，直接执行：

python3 scripts/setup.py

即可同时安装 funasr-onnx 及其依赖；SenseVoiceSmall 仅在显式指定 model=sensevoice 时按需下载。

ONNX 质量调参

paraformer-onnx 默认使用质量优先的参数组合；单人路径会复用多人路径的 ONNX VAD 分段 ASR，但不执行 CAM++ 说话人聚类：

单人 paraformer-onnx 会将各 VAD 片段的识别文本先拼接，再做一次全局标点恢复；这样比逐片段恢复标点更接近原生 paraformer，也能减少重复调用标点模型的耗时。

ONNX 句子级时间戳是根据字符位置和 token 时间戳做的近似映射，适合定位段落和发言轮次，不应视为逐字强对齐结果。

已验证不建议作为默认的调参方向：

• 调大 VAD 静音阈值会减少切段并提速，但 90 秒多人样本上文本相似度下降明显。
• 合并相邻 VAD 段或整段转录更容易出现错字、重复和长音频塌缩，因此单人和多人 ONNX 都不再默认整段转录。
• 给 VAD 片段额外 padding 会引入边界重复，整体质量不如默认切段。

Agent 默认工作流（转录 + 自动总结）

当用户请求转录音频/视频时，应遵循以下流程，一次性完成转录和 AI 总结：

前置步骤（必须第一个执行）：设置 PATH。 某些执行环境（如 agent-executor headless 模式）的 PATH 被限制为只有插件目录，curl、python3 等系统命令找不到。必须先执行：

export PATH="/opt/homebrew/bin:/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin:$PATH"

之后所有 bash 命令都必须在同一命令块中跟在 export PATH=... 后面，或在每个命令块开头都加上这行。

步骤 0：环境检测（自动）

在执行转录前，检查 assets/skill-env.json 是否存在。如果不存在，先运行环境检测：

export PATH="/opt/homebrew/bin:/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin:$PATH" && cd <skill目录> && python3 scripts/init_env.py

如果检测失败（退出码非0），按提示运行安装脚本：

export PATH="/opt/homebrew/bin:/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin:$PATH" && cd <skill目录> && python3 scripts/setup.py

安装完成后会自动重新检测并生成 skill-env.json。

步骤 1：启动/检查服务

export PATH="/opt/homebrew/bin:/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin:$PATH" && curl -s http://127.0.0.1:8765/health

如果服务未运行，后台启动：

export PATH="/opt/homebrew/bin:/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin:$PATH" && cd <skill目录> && python3 scripts/server.py --idle-timeout 600 &

等待服务就绪（轮询 /health 直到返回 200）。

步骤 2：转录文件

export PATH="/opt/homebrew/bin:/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin:$PATH" && curl -s -X POST http://127.0.0.1:8765/transcribe \
  -H "Content-Type: application/json" \
  -d '{"file_path": "/path/to/audio.aac"}'

注意：diarize 默认为 true，无需显式传入。如需禁用，传 "diarize": false。 视频文件（mp4、mov 等）会自动启用关键帧截图提取（extract_slides），无需手动传入。如需禁用，显式传 "extract_slides": false。 单人讲课/语音可传 "fast": true 关闭说话人分离，默认仍使用 paraformer；"model": "sensevoice" 仅作为实验性显式选项。

响应中包含以下关键字段：

• output_path: 转录输出的 Markdown 文件路径
• text: 转录全文
• summary_prompt: AI 总结提示词（已自动附带，无需额外调用 /summary）
• text_preview: 转录文本前 500 字预览

步骤 3：生成 AI 总结

根据 summary_prompt（或直接根据 text 内容），Agent 生成结构化 JSON 总结：

{
  "full_summary": "至少400字，分成2-3段，交代背景、问题、关键事实、数据、风险与行动建议",
  "speaker_summary": [
    {
      "speaker_order": "发言人1",
      "speaker_name": "如能识别请写姓名，否则写未知",
      "summary": "至少180字，涵盖该发言人的观点、依据、数据、态度与潜在影响"
    }
  ],
  "highlights": ["6-10条重点，每条60-100字"],
  "keywords": ["5-8个关键词"]
}

步骤 4：注入总结到文件

重要：不要只描述注入操作，必须实际执行以下命令。

将步骤 3 生成的 JSON 写入临时文件，然后调用脚本注入（比 curl 注入更可靠，无需 JSON 转义）：

export PATH="/opt/homebrew/bin:/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin:$PATH" && cat > /tmp/summary_<文件名>.json << 'JSONEOF'
{步骤3生成的JSON内容}
JSONEOF
python3 <skill目录>/scripts/summary.py inject "<output_path>" /tmp/summary_<文件名>.json

脚本会自动：

• 解析 JSON 并格式化为 Markdown
• 注入到 Markdown 文件的正确位置
• 添加 <!-- AI-SUMMARY:START --> / <!-- AI-SUMMARY:END --> 标记

步骤 5：验证注入结果（必须执行）

注入后必须执行验证，确认摘要确实写入文件。如果验证失败，必须重试步骤 4。

export PATH="/opt/homebrew/bin:/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin:$PATH" && python3 <skill目录>/scripts/summary.py verify "<output_path>"

• 如果输出 ✅ 摘要已存在 → 成功，向用户报告完成
• 如果输出 ❌ 摘要不存在 → 失败，回到步骤 4 重试

完整流程示例

用户：转录这个音频
  ↓
Agent：
  1. 检查/启动服务
  2. POST /transcribe {"file_path": "xxx.aac"}  ← 一次调用拿到转录+提示词
  3. 根据转录内容直接生成总结 JSON
  4. 写 JSON 到临时文件 → python3 summary.py inject 注入
  5. python3 summary.py verify 验证 → 失败则重试步骤 4
  ↓
用户：收到带 AI 总结的 Markdown 文件

使用流程

首次使用：环境检测与依赖安装

重要：首次使用前必须先检测环境是否满足要求。

运行环境检测：

python3 scripts/check_env.py

检测脚本会检查以下环境要求：

如果环境检测失败：

1. Python3 命令不可用：

   # macOS 使用 homebrew 安装 Python
   brew install python@3.14
   

2. curl 不可用：

   # macOS 确保 curl 已安装
   brew install curl
   

3. 验证环境修复后，重新运行检测：

   python3 scripts/check_env.py
   

首次使用：安装依赖和下载模型

运行安装脚本完成环境配置：

python3 scripts/setup.py

安装脚本会自动：

1. 检查 Python 版本（需要 >= 3.8）
2. 安装依赖包（FastAPI、Uvicorn、FunASR、funasr-onnx、PyTorch）
3. 下载 ASR 模型到 ~/.cache/modelscope/hub/models/

验证安装状态：

python3 scripts/setup.py --verify

启动转录服务

python3 scripts/server.py

如需默认开启 ONNX 加速与 INT8 量化，使用：

python3 scripts/server-onnx.py --preload

服务默认运行在 http://127.0.0.1:8765

智能特性：

• 自动启动：首次请求时自动加载模型
• 空闲关闭：默认 10 分钟无活动后自动关闭以节约资源
• 可配置超时：使用 --idle-timeout 参数自定义空闲超时时间（秒）

服务生命周期：

1. 启动后进入空闲监控状态
2. 接收到请求时自动加载模型并执行转录
3. 每次请求都会重置空闲计时器
4. 连续 10 分钟无请求时自动关闭
5. 下次请求时重新启动

重要提示：

• ⚠️ 请勿手动关闭服务 - 转录完成后让服务继续运行，它会自动在 10 分钟无活动后关闭
• 这样可以连续转录多个文件，无需重复启动服务
• 如需立即关闭服务，按 Ctrl+C 或等待 10 分钟空闲超时

示例：自定义 30 分钟空闲超时

python3 scripts/server.py --idle-timeout 1800

执行转录

使用客户端脚本转录文件：

# 转录单个文件
python3 scripts/transcribe.py /path/to/audio.mp3

# 指定输出路径
python3 scripts/transcribe.py /path/to/video.mp4 -o transcript.md

# 启用说话人分离
python3 scripts/transcribe.py /path/to/meeting.m4a --diarize

# Paraformer ONNX（更快；默认仍支持 diarization）
python3 scripts/transcribe.py /path/to/meeting.m4a --model paraformer-onnx

# Paraformer ONNX 单人路径（VAD 分段 ASR，不做说话人聚类）
python3 scripts/transcribe.py /path/to/course.m4a --model paraformer-onnx --no-diarize

# 单人讲课快速模式（关闭说话人分离，保留默认 Paraformer）
python3 scripts/transcribe.py /path/to/course.m4a --fast

# 批量转录目录
python3 scripts/transcribe.py /path/to/media_folder/

# 提取视频关键帧截图（PPT幻灯片）
python3 scripts/transcribe.py /path/to/video.mp4 --slides

# 自定义场景检测阈值（值越低越灵敏，默认20.0）
python3 scripts/transcribe.py /path/to/video.mp4 --slides --slide-threshold 15.0

AI 智能总结（Claude Code 环境）

转录完成后，可以生成 AI 智能总结，充分利用 Claude Code 的原生 AI 能力。

自动模式（推荐）：

使用 --auto-summary 参数，转录完成后自动生成并注入总结：

# 转录并自动生成总结（Claude Code 原生环境，无需配置 API Key）
python3 scripts/transcribe.py /path/to/audio.m4a --auto-summary

# 完整流程：说话人分离 + 自动总结
python3 scripts/transcribe.py /path/to/meeting.m4a --diarize --auto-summary

工作原理：

• 脚本输出结构化总结请求（AI_SUMMARY_REQUEST）
• Claude Code 自动识别并利用内置 AI 能力生成总结
• 无需任何外部 API Key 配置

手动模式：

1. 执行转录后，脚本会自动准备总结提示词
2. 将提示词发送给 Claude AI 生成结构化总结
3. 将 Claude 返回的 JSON 结果粘贴回脚本
4. 自动将总结注入到 Markdown 文件

# 转录单个文件（输出提示词供手动调用）
python3 scripts/transcribe.py /path/to/audio.mp3

# 禁用自动总结（只输出提示词）
python3 scripts/transcribe.py /path/to/audio.m4a --no-summary

总结内容结构：

• 全文总结 - 400+ 字，包含背景、问题、关键事实
• 发言人总结 - 每个发言人的观点、态度和贡献
• 重点内容 - 6-10 条核心要点
• 关键词 - 5-8 个关键术语

提示词特点：

• 专门针对中文口语化对话优化
• 保留发言人上下文和对话流程
• 结构化 JSON 输出便于解析和格式化

详细文档请查看：<references/api-reference.md>

通过 HTTP API 调用

检查服务状态：

curl http://127.0.0.1:8765/health

使用 curl 直接调用 API：

curl -X POST http://127.0.0.1:8765/transcribe \
  -H "Content-Type: application/json" \
  -d '{"file_path": "/path/to/audio.mp3"}'

# 单人快速模式（关闭说话人分离，保留默认 Paraformer）
curl -X POST http://127.0.0.1:8765/transcribe \
  -H "Content-Type: application/json" \
  -d '{"file_path": "/path/to/course.m4a", "fast": true}'

# 指定 Paraformer ONNX（默认启用 diarization）
curl -X POST http://127.0.0.1:8765/transcribe \
  -H "Content-Type: application/json" \
  -d '{"file_path": "/path/to/meeting.m4a", "model": "paraformer-onnx"}'

# Paraformer ONNX 单人路径（VAD 分段 ASR，不做说话人聚类）
curl -X POST http://127.0.0.1:8765/transcribe \
  -H "Content-Type: application/json" \
  -d '{"file_path": "/path/to/course.m4a", "model": "paraformer-onnx", "diarize": false}'

# 提取视频关键帧截图
curl -X POST http://127.0.0.1:8765/transcribe \
  -H "Content-Type: application/json" \
  -d '{"file_path": "/path/to/video.mp4", "extract_slides": true}'

API 文档（Swagger UI）：

FastAPI 自动生成交互式 API 文档，访问：http://127.0.0.1:8765/docs

可在此页面中：

• 查看所有 API 端点
• 在线测试 API（不需要 curl）
• 查看请求/响应格式
• 查看详细参数说明

响应示例（健康检查）：

{
  "status": "ok",
  "service": "FunASR Transcribe",
  "uptime": 300,
  "idle_time": 120
}

返回字段说明：

• uptime：服务运行时间（秒）
• idle_time：当前空闲时间（秒）

完整 API 文档

详细的 API 参考文档请查看：<references/api-reference.md>

包含：

• 所有 API 端点的完整规范
• 请求/响应格式详解
• 参数说明和示例
• 完整的 curl 命令示例

脚本说明

自动转录 + 总结流程

本 skill 支持在任意 Agent 平台中自动完成转录 + 总结全流程。

方式一：使用自动化脚本（推荐）

# 自动转录 + 获取总结提示词（说话人分离默认启用）
python3 scripts/auto_transcribe.py /path/to/audio.aac

# 禁用说话人分离
python3 scripts/auto_transcribe.py /path/to/audio.aac --no-diarize

# 单人快速模式（关闭说话人分离，保留默认 Paraformer）
python3 scripts/auto_transcribe.py /path/to/course.m4a --fast

# 只获取总结提示词，不生成总结
python3 scripts/auto_transcribe.py /path/to/audio.aac --prompt-only

方式二：HTTP API 调用

1. 转录音频（响应中已自动附带总结提示词）

curl -X POST http://127.0.0.1:8765/transcribe \
  -H "Content-Type: application/json" \
  -d '{"file_path": "/path/to/audio.aac"}'

响应中包含 summary_prompt 字段，可直接用于生成总结，无需额外调用 /summary。

2. 注入 AI 总结

生成总结后，调用：

curl -X POST http://127.0.0.1:8765/inject_summary \
  -H "Content-Type: application/json" \
  -d '{
    "md_path": "/path/to/audio.md",
    "summary_content": "## AI 摘要\n\n### 全文总结\n...\n\n### 重点内容\n- ...\n\n### 关键词\n..."
  }'

API 端点汇总

配置文件

输出格式

转录结果保存为 Markdown 文件，包含：

1. 标题 - 文件名（无转录时间戳）
2. 转录内容 - 格式：发言人N HH:MM:SS 换行 内容
3. AI 摘要（可选）- 包含全文总结、发言人总结、重点内容、关键词

示例格式（视频含截图）：

# 转录：视频.mp4

## 转录内容

发言人1 00:02:49
![](slides/slide_001_02m49s.jpg)
各位好，今天我们来讲...

发言人1 00:03:30
![](slides/slide_002_03m30s.jpg)
这是第二段的内容...

模型信息

模型存储在 ModelScope 默认缓存目录 ~/.cache/modelscope/hub/models/：

• ASR 主模型 (Paraformer) - 867MB
• SenseVoice-Small（实验性单人 ONNX 路径）- 显式指定时按需下载
• VAD 模型 - 4MB
• 标点模型 - 283MB
• 说话人分离模型 - 28MB

STT 转录优先级（重要）

正确顺序：FunASR（优先）→ Whisper CLI（fallback）

• FunASR 是主选：中文识别质量更高，支持时间戳、说话人分离、视频关键帧
• Whisper CLI 是 fallback：仅在 FunASR 服务不可用时使用（例如 funasr-onnx 安装失败、服务报错 500）
• 绝对不要：在没有先尝试 FunASR 的情况下直接用 Whisper

FunASR 失败时的排查步骤

1. 运行 python3 scripts/setup.py --verify 检查 funasr-onnx 是否可用
2. 查看服务进程日志：process_log 查看 proc_<session_id>
3. 如果 funasr-onnx 装不上，用 Whisper CLI 作为临时 fallback（见下方）

Whisper CLI Fallback（仅在 FunASR 不可用时）

# 提取音频（16kHz 单声道）
ffmpeg -i "/path/to/video.mp4" -vn -acodec pcm_s16le -ar 16000 -ac 1 -y "/tmp/audio.wav"

# Whisper 转录（tiny 模型最快，medium 质量更好）
/opt/homebrew/bin/whisper "/tmp/audio.wav" \
  --model tiny \
  --language Chinese \
  --output_dir /tmp/transcript \
  --output_format all

性能参考：19 分钟音频，tiny 模型约 3-5 分钟（Mac CPU）。

故障排除

cv2 / opencv 导入失败

症状：POST /transcribe 返回 {"detail":"No module named 'cv2'"}，但 pip show opencv-python-headless 显示已安装。

根因：服务进程使用的 Python 环境与 pip 安装目标不同。常见于 macOS Homebrew Python 3.14 环境，pip 安装到了系统 site-packages，但服务进程加载的是 Homebrew 路径。

排查步骤：

1. 在终端验证 cv2 是否可导入：python3 -c "import cv2; print('ok')"
2. 如果导入失败，执行：python3 -m pip install opencv-python-headless --break-system-packages
3. 确认服务进程的 Python 路径：lsof -p <server_pid> | grep python

正确启动流程：

# 确认 cv2 可用后再启动服务
python3 -c "import cv2; print('cv2 ok')"

# 如服务已在运行，先杀掉再重启
lsof -ti:8765 | xargs kill -9 2>/dev/null; sleep 1

# 重启服务
python3 scripts/server.py --idle-timeout 600 &

服务端口被占用

症状：Address already in use（Errno 48）

# 杀掉占用端口的进程
lsof -ti:8765 | xargs kill -9 2>/dev/null
sleep 1

FunASR 服务无响应 / 模型加载慢

首次转录需要下载模型（约 1-2GB），耐心等待。后续请求模型已缓存，速度会快很多。

视频截图功能：

视频文件（mp4、mov、avi、mkv、wmv、webm）转录时会自动启用关键帧提取。 依赖 scenedetect[opencv] 和 imagehash 已包含在 requirements.txt 中，setup.py 安装时会一并安装。 如未安装这些依赖，服务端会输出提示但不影响普通转录功能。

服务启动失败时，运行验证命令检查安装状态：

python3 scripts/setup.py --verify

重新下载模型：

python3 scripts/setup.py --skip-deps