音视频转录

分享海报

@user_546a2141/audio-and-video-transcription

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）。默认本地转录（Paraformer-large 魔搭社区中文模型（高精度），离线可用、无需 API Key；⚠️ 首次运行需联网下载本地模型 ~800MB + torch 推理栈，GPU 版约 2.7GB，耗时数分钟）。可选云端转录（Qwen3-ASR-Flash，需 DashScope API Key）。两种方式为并列可选：本地离线可用、无需 Key、首次需下载模型；云端需联网与 Key。默认本地，用户可随时切换。流程：检测输入类型（视频/音频，音频跳过转 MP3 且无需静帧）-> 模型按能力自动决定是否切段 -> 本地/云端转录 -> 说话人分离（本地 Paraformer+CAM++ 在模型内完成、云端 LLM 语义切分，支持多说话人；Paraformer 为真实句级时间码、SenseVoice 为插值估算）-> LLM 生成内容摘要与人物信息 -> 直接生成带时间码的 Word 文档（.docx；分发到在线平台时导出临时 Markdown，上传后即删）-> 自检精简语气词 -> 交付前预览确认 -> 可选分发到在线文档平台。 若用户把一段音视频拆成多个视频/音频文件，需请用户明确告知哪几个文件属于同一段音视频，技能自动合并转录为一篇文档。 适用于任何支持 bash 命令执行和文件读写的 AI 编码代理（Agent）。全流程处理完毕后主动询问用户交付位置，并说明还有云端转录这一可选方式（需 DashScope API Key）。