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：
- 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"
- 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"
- 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）"
- 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）"
- 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：
- 告诉用户输出文件的完整路径
- 显示部分转录内容预览
- 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：
- 检查 uv ✓
- 询问视频文件路径
- 使用 AskUserQuestion 询问模型、语言、格式等
- 执行转录
- 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