音视频/会议/播客自动转写与字幕纪要生成：需要把录音、视频…

适用于自动处理音频/视频/会议录音/直播，输出转写文本、字幕、会议纪要与摘要。

适用场景

解决思路

1. 按转写流水线执行：输入音频/视频，先预处理（转码、增强、切分），再转写（STT 引擎、说话人分离），再做后处理（格式化、时间戳、说话人标注），最后输出文本、SRT、VTT 和摘要。
2. 配置转写引擎：engine 可选 whisper、assembly_ai、deepgram。
3. 设置音频参数：sample_rate=16000、channels=mono、format=wav。
4. 设置转写参数：language=auto 或指定 en/zh/es，model 可选 tiny/base/small/medium/large，task 可选 transcribe 或 translate。
5. 按需开启特性：speaker_diarization、word_timestamps、punctuation、profanity_filter。
6. 设置输出选项：formats 包含 txt、srt、vtt、json；可开启 include_confidence、include_timestamps。
7. 为会议转录写入 metadata：title、date、duration、attendees。
8. 按模板生成会议纪要：标题、日期、时长、参会人、Summary、Key Points、Action Items（任务-负责人-截止日期）、Full Transcript（时间戳+说话人+文本）。
9. 配置说话人分离：min_speakers=2、max_speakers=10；可用 speaker_labels 指定 name 和 voice_sample；输出开启 speaker_prefix、speaker_timestamps；示例格式为 [00:00:05] SPEAKER_1: 文本。
10. 生成 SRT 字幕：设置 timing 的 max_duration=7、min_gap=0.1、chars_per_line=42、max_lines=2；设置 style 的 case=sentence/upper/lower、numbers=words/digits；输出序号、时间轴和最多两行文本。
11. 生成 VTT 字幕：format=vtt，开启 cue_settings、styling；可使用 align:center；可用 <v Speaker 1> 标注说话人。
12. 配置 Zoom 集成：触发 recording_completed；从 zoom_cloud 下载录音；用 whisper 转写且 language=auto；开启说话人分离；用 meeting_notes 模板生成含摘要和行动项的纪要；分发到 notion_page、slack_channel、email_attendees。
13. 配置 YouTube 集成：触发 video_uploaded；下载 youtube_video 音频；用 whisper 转写且 task=transcribe；生成 srt、vtt；翻译到 es、zh、ja、de、fr；以 CC 方式上传到 youtube。
14. 处理播客：输入 rss_feed 的 audio/mp3；用 whisper large 转写；生成章节并 detect_topics、min_duration=60 秒；创建 show notes，执行 summarize、extract_links、highlight_quotes；创建可检索索引，保留 full_text、timestamps；输出 transcript_txt、chapters_json、show_notes_md、search_index。
15. 配置多语言转写：auto_detect=true；en、zh、es 用 large，ja 用 medium；翻译 enabled=true、target=en、preserve_original=true。
16. 处理语码切换：enabled=true、primary_language=en、secondary_languages=[zh,es]；按段 detect_language_per_segment 并 tag_language_switches；输出中保留混合语言片段并标注。
17. 做文本清理后处理：remove_filler_words 去除 um、uh、like；fix_common_errors；normalize_numbers。
18. 做格式后处理：add_punctuation、capitalize_sentences、paragraph_breaks。
19. 做说话人归属后处理：merge_short_segments、min_segment_duration=1.0。
20. 做输出增强：add_timestamps、highlight_keywords、generate_summary。
21. 生成转写质量报告：记录文件、时长、引擎；统计 Word Error Rate、Character Error Rate、Confidence Score；统计说话人检测数量与 Diarization Accuracy；记录处理时间、Real-time Factor；标记低置信、重叠语音、未知说话人等检测问题。
22. 调用 OpenAI Whisper API：openai.Audio.transcribe(model=whisper-1, file=audio_file, response_format=verbose_json, timestamp_granularities=[word, segment])；遍历 transcript.segments，按 [segment.start] segment.text 输出。
23. 调用 AssemblyAI API：aai.Transcriber()；TranscriptionConfig(speaker_labels=True, auto_chapters=True, entity_detection=True)；transcriber.transcribe(url, config=config)；遍历 transcript.utterances，按 Speaker X: text 输出。
24. 保证输入音频质量：干净输入对应更好输出。
25. 选择合适模型：在速度与准确率之间平衡，按内容难度选择 tiny/base/small/medium/large。
26. 使用说话人分离：明确区分和标注不同说话人。
27. 对自动输出进行后处理：清理口语词、标点和段落。
28. 对关键内容进行人工复核：重要或敏感转写不要只依赖自动结果。
29. 注意隐私：处理敏感音频和转写内容时按隐私要求管理。
30. 高效存储：压缩并建立索引，便于检索和归档。
31. 提供上下文：给转写引擎加入词汇提示或领域词表，提升专有名词准确率。

适用边界 · 注意事项

• 没有可用音频、音频质量极差且无法增强时，转写准确率无法保证。
• 需要法律、医疗等高风险逐字稿且无法人工复核时，不应完全依赖自动转写。
• 无法访问所需工具/服务（如 media-mcp、whisper_transcribe、assembly_ai、deepgram_api、Zoom/YouTube 集成或相应付费账号）时，不能直接执行该技能。