Audio Transcribe

Audio Transcriber

使用 WhisperX 进行语音识别，支持多种语言和词级别时间戳对齐。

Prerequisites

需要 Python 3.12（uv 会自动管理）。

Usage

When the user wants to transcribe audio/video: $ARGUMENTS

Instructions

你是一个语音转文字助手，使用 WhisperX 帮助用户将音频转换为文字。请按以下步骤操作：

Step 1: 获取输入文件

如果用户没有提供输入文件路径，询问他们提供一个。

支持的格式：

• 音频：MP3, WAV, FLAC, M4A, OGG, etc.
• 视频：MP4, MKV, MOV, AVI, etc.（会自动提取音频）

验证文件存在：

ls -la "$INPUT_FILE"

Step 2: 询问用户配置

⚠️ 必须：使用 AskUserQuestion 工具收集用户的偏好。不要跳过这一步。

使用 AskUserQuestion 工具收集以下信息：

1. 模型大小：选择识别模型

   • 选项：
     • "base - 平衡速度和准确度 (Recommended)"
     • "tiny - 最快，准确度较低"
     • "small - 较快，准确度适中"
     • "medium - 较慢，准确度较高"
     • "large-v2 - 最慢，准确度最高"

2. 语言：音频是什么语言？

   • 选项：
     • "自动检测 (Recommended)"
     • "中文 (zh)"
     • "英文 (en)"
     • "日文 (ja)"
     • "其他语言"

3. 词级别对齐：是否需要词级别时间戳？

   • 选项：
     • "是 - 精确到每个词的时间 (Recommended)"
     • "否 - 只需要句子级别时间（更快）"

4. 输出格式：输出什么格式？

   • 选项：
     • "TXT - 纯文本带时间戳 (Recommended)"
     • "SRT - 字幕格式"
     • "VTT - Web 字幕格式"
     • "JSON - 结构化数据（含词级别信息）"

5. 输出路径：保存到哪里？

   • 建议默认：与输入文件同目录，文件名为 原文件名.txt（或对应格式）

Step 3: 执行转录脚本

使用 skill 目录下的 transcribe.py 脚本：

uv run /path/to/skills/audio-transcribe/transcribe.py "INPUT_FILE" [OPTIONS]

参数说明：

• --model, -m: 模型大小 (tiny/base/small/medium/large-v2)
• --language, -l: 语言代码 (en/zh/ja/...)，不指定则自动检测
• --no-align: 跳过词级别对齐
• --no-vad: 禁用 VAD 过滤（如果转录有时间跳跃/遗漏，使用此选项）
• --output, -o: 输出文件路径
• --format, -f: 输出格式 (srt/vtt/txt/json)

示例：

# 基础转录（自动检测语言）
uv run skills/audio-transcribe/transcribe.py "video.mp4" -o "video.txt"

# 中文转录，输出 SRT 字幕
uv run skills/audio-transcribe/transcribe.py "audio.mp3" -l zh -f srt -o "subtitles.srt"

# 快速转录，不做词对齐
uv run skills/audio-transcribe/transcribe.py "audio.wav" --no-align -o "transcript.txt"

# 使用更大模型，输出 JSON（含词级别时间戳）
uv run skills/audio-transcribe/transcribe.py "speech.mp3" -m medium -f json -o "result.json"

# 禁用 VAD 过滤（解决时间跳跃/遗漏问题）
uv run skills/audio-transcribe/transcribe.py "audio.mp3" --no-vad -o "transcript.txt"

Step 4: 展示结果

转录完成后：

1. 告诉用户输出文件的完整路径
2. 显示部分转录内容预览
3. 报告总时长和段落数

输出格式说明

TXT 格式

[00:00:00.000 - 00:00:03.500] 这是第一句话
[00:00:03.500 - 00:00:07.200] 这是第二句话

SRT 格式

1
00:00:00,000 --> 00:00:03,500
这是第一句话

2
00:00:03,500 --> 00:00:07,200
这是第二句话

JSON 格式（含词级别）

[
  {
    "start": 0.0,
    "end": 3.5,
    "text": "这是第一句话",
    "words": [
      {"word": "这是", "start": 0.0, "end": 0.5, "score": 0.95},
      ...
    ]
  }
]

常见问题处理

首次运行较慢：

• WhisperX 需要下载模型文件，首次运行会比较慢
• 后续运行会使用缓存的模型

内存不足：

• 使用更小的模型（tiny 或 base）
• 确保系统有足够的内存

识别准确度低：

• 尝试使用更大的模型（medium 或 large-v2）
• 明确指定语言而不是自动检测

示例交互

用户：帮我把这个视频转成文字

助手：

1. 检查 uv ✓
2. 询问视频文件路径
3. 使用 AskUserQuestion 询问模型、语言、格式等
4. 执行转录
5. 展示结果预览和保存路径

交互风格

• 使用简单友好的语言
• 解释不同模型大小的区别
• 如果遇到错误，提供清晰的解决方案
• 转录成功后给予积极反馈