录音转写技能 (Audio Meeting Transcript)

将上传的音频文件转为带说话人识别和时间戳的录音稿，再由 AI 生成结构化会议纪要。

能力概览

两种模式

Full 模式（推荐）— 声纹识别

• 使用 vosk-model-spk-0.4 提取声纹特征
• 通过层次聚类区分不同说话人
• 准确率高，支持自动估算说话人数量
• 需下载说话人模型（约 1.2GB，一次性）

Lite 模式 — 静音分割

• 无需额外模型，开箱即用
• 基于语音停顿推断说话人切换
• 准确率较低，适合快速预览

工作流程

用户上传音频 → ① 预处理 → ② 转写+分离 → ③ 格式化录音稿 → ④ AI 生成会议纪要

Step 1: 音频预处理

将任意格式音频转为 Vosk 所需的 16kHz 单声道 WAV。

python3 scripts/audio_preprocess.py  [output.wav]

• 自动检测 ffmpeg（优先系统 ffmpeg，其次 imageio-ffmpeg）
• 输出 JSON：{ wav_path, duration, duration_str }
• 必须先运行此步骤，Vosk 要求 16kHz mono WAV

Step 2: 转写 + 说话人分离

运行 Vosk ASR，提取声纹，聚类说话人。

python3 scripts/transcribe_diarize.py 
    --audio  
    [--num-speakers N] 
    [--output transcript.json]

• 自动检测 ASR 模型和说话人模型（搜索顺序见下方"模型查找"）
• --num-speakers 可指定说话人数量（不指定则自动估算）
• --no-spk 强制使用 Lite 模式
• --model 手动指定 ASR 模型路径
• --spk-model 手动指定说话人模型路径
• 输出 JSON：segments 数组，每个含 text/start/end/speaker_label

Step 3: 格式化录音稿

将 JSON 转为可读的 Markdown 录音稿。

python3 scripts/format_transcript.py  [output.md]

• 输出带说话人标签和时间戳的对话格式
• 包含元信息表格（参与人、时长、模式等）

Step 4: AI 生成会议纪要

由 AI Agent 直接完成，无需脚本。读取录音稿后按以下模板生成：

# 会议纪要

## 会议信息
- 日期：YYYY-MM-DD
- 时长：XX 分钟
- 参与人：说话人A、说话人B、...

## 会议摘要
（2-3 句话概述会议主旨和核心结论）

## 主要议题
1. **议题一标题**
   - 要点 1
   - 要点 2
   - 说话人A 提出：...
   - 说话人B 补充：...

2. **议题二标题**
   - ...

## 关键决策
- 决策 1：...
- 决策 2：...

## 待办事项
| 事项 | 负责人 | 截止日期 |
|------|--------|----------|
| ... | ... | ... |

## 讨论细节（可选）
（按时间线记录重要讨论片段）

环境配置

Python 依赖

pip install -r requirements.txt

依赖列表：

• vosk — 离线语音识别
• numpy — 数值计算
• scikit-learn — 声纹聚类
• soundfile — 音频信息读取
• imageio-ffmpeg — ffmpeg 二进制（系统未装 ffmpeg 时的备选）

ffmpeg 要求

脚本优先使用系统安装的 ffmpeg。若系统未安装，会自动回退到 imageio-ffmpeg 包内置的 ffmpeg。

系统 ffmpeg 安装方式：

• macOS: brew install ffmpeg
• Ubuntu/Debian: sudo apt install ffmpeg
• Windows: 从 https://ffmpeg.org 下载或 choco install ffmpeg

模型查找

脚本按以下顺序自动查找 Vosk 模型：

1. 环境变量 VOSK_MODEL_PATH — 指定的目录
2. 技能本地目录 ./models/ — 与脚本同级
3. 用户目录 ~/.vosk/models/ — 标准用户级位置
4. 系统目录 /usr/share/vosk/models/ — Linux 系统级
5. 命令行参数 --model / --spk-model — 手动指定（最高优先级）

Vosk 模型

下载地址：https://alphacephei.com/vosk/models

快速安装说话人模型：

python3 scripts/download_speaker_model.py

关键注意事项

1. 音频时长 — 超过 30 分钟的录音，处理时间约为音频时长的 0.3-0.5 倍
2. 说话人数量 — Full 模式下自动估算，但手动指定 --num-speakers 效果更佳
3. 识别精度 — Vosk small 模型对专业术语和方言识别率有限，可换用大模型 vosk-model-cn-0.22
4. 输出文件 — 录音稿和会议纪要均保存为 .md 文件，便于阅读和分享
5. 隐私安全 — 全程离线处理，音频不上传任何服务器

输出示例

详见 references/output_examples.md

安装指南

详见 references/setup_guide.md