// 录音文件转录能力。将音频文件转为结构化文本（带时间戳 + 说话人标识）。 这是一个场景能力 skill，类似 web-access——只负责"把声音变成文字"，不决定文字用来做什么。 触发场景：用户提供录音文件、要求转录音频、处理语音文件。
每日资讯日报生成器。三阶段工作流：获取元数据、生成摘要、输出日报。 触发场景：每日新闻、资讯日报、信息监控、新闻聚合、daily news、生成日报。 也用于添加新信源（自动分析网页并生成 method 文件）。
所有联网操作必须通过此 skill 处理，包括：搜索、网页抓取、登录后操作、网络交互等。 触发场景：用户要求搜索信息、查看网页内容、访问需要登录的网站、操作网页界面、抓取社交媒体内容（小红书、微博、推特等）、读取动态渲染页面、以及任何需要真实浏览器环境的网络任务。
| name | audio-transcribe |
| description | 录音文件转录能力。将音频文件转为结构化文本（带时间戳 + 说话人标识）。 这是一个场景能力 skill，类似 web-access——只负责"把声音变成文字"，不决定文字用来做什么。 触发场景：用户提供录音文件、要求转录音频、处理语音文件。 |
| metadata | {"author":"一泽Eze","version":"1.0.0","created":"2026-04-10T00:00:00.000Z","depends":["ffmpeg","dashscope (pip)","pyannote.audio (pip, 可选)"]} |
场景能力 skill，对标 web-access 的角色。
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。
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：
brew install ffmpegpip install dashscopepip 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。
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。
--no-diarization（如独白、播客等单人场景），转录时必须执行说话人分离~/.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--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 | 性质 | 存放位置 |
|---|---|---|
| 标准化音频 | 纯中间产物，转录完即废弃 | /tmp/audio-transcribe/{batch-id}/ |
.transcript.md | 可读的转录文本，调用方的输入 | --output-dir 或源文件同目录 |
.transcript.json | 原始数据（字级时间戳等），溯源用 | 同上 |
以下命令中 transcribe.py 均指 python3 ~/.claude/skills/audio-transcribe/scripts/transcribe.py。
# 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 | 默认值 |
|---|---|---|
files | 音频文件路径（支持多个） | 必填 |
--output-dir | 转录文件输出目录 | 源文件同目录 |
--diarize-only | 仅补跑说话人分离（需已有 .transcript.json） | 否 |
--merge | 多文件视为同一场会议，合并时间轴输出一份转录 | 否（每文件独立） |
--no-diarization | 跳过说话人分离（独白、播客等不需要） | 否 |
--hf-token | HuggingFace token（也可用 HF_TOKEN 环境变量） | 环境变量 |
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": [...]
}
]
}
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。
适合单文件或少量文件：
Agent 直接调用 transcribe.py → 读取 .transcript.md → 加工
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：
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）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。
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：
模型下载后本地缓存，后续完全离线。Apple MPS 加速可用。
--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。
| 文件 | 何时加载 |
|---|---|
references/troubleshooting.md | 遇到 ASR/pyannote 报错时 |