Audio Transcribe

录音转录能力

定位

场景能力 skill，对标 web-access 的角色。

• web-access：给你联网能力（搜索/抓取/浏览），不管你拿内容做什么
• audio-transcribe：给你录音转文字能力（转录/说话人分离），不管你拿文字做什么

转录产出是原料，不是终态。调用方决定这些文字变成会议纪要、周报素材、播客摘要还是别的什么。

前置检查

使用前先检查环境依赖：

bash ~/.claude/skills/audio-transcribe/scripts/check-deps.sh

未通过时引导用户安装：

• ffmpeg：音频标准化必需。brew install ffmpeg
• dashscope：阿里云 ASR 服务。pip install dashscope
• DASHSCOPE_API_KEY：阿里云百炼 API Key
• HF_TOKEN（首次下载 pyannote 模型时需要）：HuggingFace token
• pyannote.audio（可选）：说话人分离。pip install pyannote.audio，需接受模型协议

密钥持久化：将 API Key 存入 ~/.claude/.env，脚本自动加载，跨会话持久生效：

DASHSCOPE_API_KEY=sk-xxx
HF_TOKEN=hf_xxx

优先级：环境变量 > ~/.claude/.env。pyannote 模型缓存到本地后，后续不再需要 HF_TOKEN。

工作流

原始录音（.wav/.m4a/.mp3/.aac/...各种格式和采样率）
    ↓  Stage 1: 标准化
标准化音频（16kHz mono MP3，ASR 最优格式）
    → 存放：/tmp/audio-transcribe/{batch-id}/normalized/
    ↓  Stage 2: 上传 + ASR 转录
原始转录句子（字级时间戳）
    ↓  Stage 3: 说话人分离
带说话人标识的句子
    ↓  Stage 4: 格式化输出
结构化转录文本（.transcript.md + .transcript.json）
    → 存放：调用方指定的 --output-dir，或源文件同目录

说话人分离的重要性

说话人分离是默认行为，不是可选项。 多人对话录音中，"谁说了什么"是信息的核心维度——没有说话人标识的转录文本会丢失归属关系，下游加工（会议纪要、调研提炼）的质量会大幅下降。

• 默认开启：除非用户明确指定 --no-diarization（如独白、播客等单人场景），转录时必须执行说话人分离
• 前置检查：转录前确认 HF_TOKEN 已配置（~/.claude/.env 或环境变量），pyannote 模型已缓存。缺失时应提醒用户，而非静默跳过
• 补跑机制：如果转录已完成但缺少说话人分离（如首次配置 HF_TOKEN 之前的转录），使用 --diarize-only 补跑——复用已有的 ASR 结果（.transcript.json），只跑 pyannote 说话人分离并更新输出，避免重复消耗 ASR 资源

产物存放规则

脚本 API

以下命令中 transcribe.py 均指 python3 ~/.claude/skills/audio-transcribe/scripts/transcribe.py。

基本用法

# 单文件转录
transcribe.py meeting.m4a

# 批量转录（每个文件独立处理）
transcribe.py file1.m4a file2.wav file3.mp3

# 指定输出目录
transcribe.py *.m4a --output-dir /path/to/transcripts/

# 同一场会议的多段录音（合并时间轴为一份转录）
transcribe.py seg1.wav seg2.wav seg3.wav --merge

# 跳过说话人分离
transcribe.py audio.mp3 --no-diarization

# 补跑说话人分离（复用已有 ASR 转录，只跑 diarization）
transcribe.py audio.m4a --diarize-only --output-dir /path/to/transcripts/

参数说明

输出文件

每个音频文件（或 merge 模式下的一组文件）产出两个文件：

{name}.transcript.md — 可读转录文本：

# 转录：{原始文件名}

> 时长：42:15 | 说话人：3 | 转录时间：2026-04-10

[00:00] SPEAKER_00: 开场白...
[00:05] SPEAKER_01: 回应...
[01:23] SPEAKER_00: 继续讨论...

{name}.transcript.json — 结构化原始数据：

{
  "source_files": ["meeting.m4a"],
  "duration_seconds": 2535,
  "speakers": ["SPEAKER_00", "SPEAKER_01", "SPEAKER_02"],
  "sentences": [
    {
      "begin_time": 0,
      "end_time": 4500,
      "text": "开场白...",
      "speaker": "SPEAKER_00",
      "emotion": "neutral",
      "words": [...]
    }
  ]
}

调用方集成模式

模式 A：子 Agent 批量转录

适合一次性处理多个录音（如 vc-report 收到 10+ 份路演录音）：

主 Agent
  ├─ 子 Agent 1: transcribe.py file1.m4a --output-dir /tmp/...
  ├─ 子 Agent 2: transcribe.py file2.m4a --output-dir /tmp/...
  └─ ...
  主 Agent 读取所有 .transcript.md，按自己的格式要求加工

每个子 Agent 独立处理一个文件，并行不冲突。

模式 B：直接调用

适合单文件或少量文件：

Agent 直接调用 transcribe.py → 读取 .transcript.md → 加工

调用方的职责

audio-transcribe 产出的是带时间戳和说话人的原始转录文本。调用方负责：

• 决定转录文本的用途（会议纪要？周报素材？日志？）
• 决定摘要格式（投资洞察？行动项？关键决策？）
• 决定最终产出位置（项目目录下的哪里）
• 将说话人 ID（SPEAKER_00）映射为真实身份（如果需要）

技术细节

音频标准化参数

ffmpeg -i input.wav -ar 16000 -ac 1 -b:a 24k output.mp3 -y

• -ar 16000：16kHz，ASR 标准采样率（人声频率在 8kHz 以下，无损失）
• -ac 1：单声道（立体声对 ASR 无意义）
• -b:a 24k：24kbps，语音清晰，体积极小（30 分钟约 5MB）

ASR 服务

使用 qwen3-asr-flash-filetrans（阿里云百炼），异步长音频转写，最长支持 12 小时。

转录流程需要 ASR 服务端可访问的音频 URL。使用 DashScope Files API 上传到阿里云 OSS，获取签名 URL 供 ASR 读取。

说话人分离

使用 pyannote/speaker-diarization-3.1（本地模型），与 ASR 结果按时间戳对齐。

首次使用需在 HuggingFace 接受模型协议：

• https://huggingface.co/pyannote/speaker-diarization-3.1
• https://huggingface.co/pyannote/segmentation-3.0

模型下载后本地缓存，后续完全离线。Apple MPS 加速可用。

多段文件合并

--merge 模式下，根据文件名中的时间戳计算各段的时间偏移，合并为统一时间轴。当前支持 DJI Mic 3 的文件名格式（TX02_MIC001_20260319_090113.wav），其他格式按文件顺序拼接。

References 索引