音视频转录

音视频转文档全流程处理技能（支持视频与音频输入，也支持「一段音视频拆成多段文件」合并转录）。 三档模型选择（Step 2.5）：① 快速 = SenseVoice-Small q8 量化（FunASR GGUF 运行时，纯 CPU ~33 倍实时、 零 Python/torch 依赖，模型仅 254MB；⚠️ 无模型内说话人分离，必接 Step 3.5C LLM 语义重切）； ② 精准 = MOSS-Transcribe-Diarize 0.9B 端到端（转录+说话人+时间戳一次生成，分离最稳、标点自然； 首次需下载 ~1.8GB 模型 + torch 推理栈；Apple Silicon 另可选 MLX 后端加速）； ③ 云端 = Qwen3-ASR-Flash（需 DashScope Key）。三档随时可切。 开始前用 `scripts/accelerator.py` 统一探测本机加速器并给出推荐档位（覆盖 NVIDIA CUDA / AMD ROCm / Apple MPS / Intel XPU / 纯 CPU；**不要只查 nvidia-smi**，否则 AMD 与 Mac 用户会被静默降级），用户三选一。 流程：检测输入类型（音频跳过转 MP3 且无需静帧）-> 模型按能力自动决定切段 -> 转录 -> 说话人分离 （精准档 MOSS 端到端一次生成、快速档 GGUF 走 LLM 语义重切、云端 LLM 语义切分，支持多说话人） -> LLM 生成摘要与人物信息 -> 生成带时间码的 Word 文档（.docx）-> 自检精简语气词 -> 交付前总校验 -> 预览确认 -> 可选分发到在线文档平台。 档位细节、平台参数、环境变量、失败处置全部在 references/ 按需读取，本文只留决策与执行要点。 若用户把一段音视频拆成多个文件，需请用户明确告知哪几个属于同一段，技能自动合并为一篇文档。 适用于任何支持 bash 命令执行和文件读写的 AI 编码代理（Agent）；处理完毕主动询问交付位置。

存档时间线

版本索引永久保留；内容副本只保留最近 2 版，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本