音频转文本整理稿（本地部署版）

概述

Transcript Organizer — 本地音视频转录整理技能

接收音频、视频、播客/视频链接、字幕文件、ASR 原始转写稿或未整理文字，完成转录和整理，在本地保留所有阶段产物，最终输出分享式提纯版中文原文 .txt 文件。

不依赖飞书，不创建在线文档，所有产物保存在本地。

核心规则

最终输出是分享式提纯版原文，不是摘要。禁止压缩成要点列表、核心要点、会议纪要或启发列表。

输入类型

接受以下输入：

• 音频文件（任意格式）
• 视频文件（任意格式）
• 公开播客/视频/网页链接
• 字幕文件：.srt、.vtt
• 原始转写稿：.txt、.md、.json
• 用户直接粘贴的未整理文字

标准工作流

收到输入
→ 判断输入类型，按分流规则处理
→ 媒体输入：保存原始文件 → 提取/转码音频为 16kHz mono WAV → ASR 转写
→ 文字输入：跳过媒体处理和 ASR，直接进入清洗整理
→ 保存原始转写稿到 transcripts_raw/
→ 清洗转写稿（去时间戳、噪音、修复 ASR 错词）
→ 按"分享式提纯版原文"标准整理
→ 保存最终 .txt 到 final/
→ 告知用户所有产物路径

输入分流规则

音频文件

1. 复制到 audio_original/
2. 转码到 audio_wav/（16kHz mono WAV）
3. 检测/确认音频语言
4. ASR 按原语言转写
5. 保存到 transcripts_raw/
6. 清洗 → transcripts_clean/
7. 整理 → final/*.txt

视频文件

1. 复制到 media_original/
2. 提取音频到 audio_original/
3. 转码到 audio_wav/
4. 检测/确认音频语言
5. ASR 按原语言转写
6. 保存到 transcripts_raw/
7. 清洗 → transcripts_clean/
8. 整理 → final/*.txt

网页/播客/视频链接

1. 保存链接记录到 input/
2. 使用 yt-dlp 下载媒体或音频
3. 保存原始媒体/音频
4. 检测/确认音频语言
5. ASR 按原语言转写
6. 保存到 transcripts_raw/
7. 清洗 → transcripts_clean/
8. 整理 → final/*.txt

字幕文件（.srt / .vtt）

1. 复制到 input/
2. 转成纯文本保存到 transcripts_raw/
3. 清洗整理
4. 保存 → final/*.txt

原始文字稿（.txt / .md / .json）或粘贴文字

1. 保存到 input/（粘贴文字保存为 input/pasted-YYYYMMDD-HHMMSS.txt）
2. 规范化保存到 transcripts_raw/
3. 清洗整理
4. 保存 → final/*.txt

本地工作目录

默认路径：./transcript-organizer-workspace/

目录结构：

任务结束后不删除阶段产物。

ASR 后端选择

部署/首次运行时运行 scripts/detect_environment.py 检测环境，自动选择 ASR 后端：

ASR 语言策略

1. 默认自动检测音频语言，按音频原始语言转写，保留原语言原始转写稿。
2. 如果用户明确指定转写语言，按用户指定执行，并在日志中记录。
3. 如果音频是中文，原始转写稿和最终整理稿都保持中文。
4. 如果音频不是中文，transcripts_raw/ 保存原语言转写稿，final/ 必须输出中文分享式提纯版原文。
5. 不要把"ASR 翻译成中文"作为默认路径。

分享式提纯版原文标准

最终 final/*.txt 必须做到：

• 去掉时间戳、说话人标签、寒暄、口水话、重复、设备噪音和残句
• 修正常见 ASR 错词，尤其是人名、公司名、产品名、技术术语
• 忠实保留原意、语气、关键判断、案例、数字、类比、论证链和重要原话
• 如果原始内容不是中文，先理解原语言原文，再忠实转写整理成中文；不要输出双语对照，除非用户明确要求
• 不新增事实，不外推，不替原文下结论
• 不压缩成"核心要点 / 一句话总结 / 启发 / 结论"
• 不输出会议纪要、摘要、待办列表
• 按少量大主题和二级小标题组织，标题必须来自真实内容
• 禁止使用"其他有效观点""补充说明""更多内容"这类空泛标题
• 重要判断、金句、用户强相关内容可以适度加粗
• 最终保存为 .txt

交付格式

完成任务后，告知用户：

处理完成。

最终整理稿：<final/*.txt 路径>
原始转写稿：<transcripts_raw/*.txt 路径>
清洗稿：<transcripts_clean/*.txt 路径>
原始媒体：<media_original/ 或 audio_original/ 路径>（如适用）
日志：<logs/ 路径>

环境依赖

基础依赖

• Python ≥ 3.9
• ffmpeg（用于音频转码）
• yt-dlp（用于下载链接媒体）

Python 包（按环境选择）

• macOS Apple Silicon：mlx-whisper
• 其他环境：faster-whisper
• 通用：yt-dlp

安装策略

1. 先检查是否已安装
2. 优先使用虚拟环境（C:Userszhao.workbuddybinariespythonenvsdefault）
3. 不要修改用户全局 Python
4. 如果安装失败，记录到 logs/install.log 并说明下一步

常见失败处理

没有 ffmpeg

先尝试安装或提示用户安装。也可以安装 imageio-ffmpeg 作为兜底。无法处理媒体时，不影响文字稿整理。

没有 yt-dlp

链接下载不可用，但本地媒体文件和文字稿仍可处理。

ASR 安装失败

记录错误到 logs/install.log。告诉用户可以：

1. 安装本地 ASR 依赖后重试
2. 提供已有原始转写稿
3. 只使用文字稿整理能力

内存不足

降低模型到 small，减少并行数，或提示用户提供原始转写稿。

链接需要登录

不要绕过权限。询问用户是否提供合法 cookies 或改用本地文件。

输入文本太长

分块处理，但最终必须合并成一篇连贯文章。不要把每块变成独立摘要。

禁止事项

• 不要安装飞书相关能力
• 不要生成飞书文档
• 不要上传用户内容到在线服务
• 不要删除阶段产物
• 不要把最终稿写成摘要、要点、会议纪要或启发列表
• 不要隐藏安装失败、下载失败或转录失败
• 不要保存或展示用户 token、cookie、密码、授权链接

脚本说明

技能目录下 scripts/ 包含以下脚本：

版本历史

• v1.0.0 (2026-06-28): 初始版本，基于本地化音频转录部署说明创建