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
- 复制到
audio_original/ - 转码到
audio_wav/（16kHz mono WAV） - 检测/确认音频语言
- ASR 按原语言转写
- 保存到
transcripts_raw/ - 清洗 →
transcripts_clean/ - 整理 →
final/*.txt
视频文件
- 复制到
media_original/ - 提取音频到
audio_original/ - 转码到
audio_wav/ - 检测/确认音频语言
- ASR 按原语言转写
- 保存到
transcripts_raw/ - 清洗 →
transcripts_clean/ - 整理 →
final/*.txt
网页/播客/视频链接
- 保存链接记录到
input/ - 使用
yt-dlp下载媒体或音频 - 保存原始媒体/音频
- 检测/确认音频语言
- ASR 按原语言转写
- 保存到
transcripts_raw/ - 清洗 →
transcripts_clean/ - 整理 →
final/*.txt
字幕文件（.srt / .vtt）
- 复制到
input/ - 转成纯文本保存到
transcripts_raw/ - 清洗整理
- 保存 →
final/*.txt
原始文字稿（.txt / .md / .json）或粘贴文字
- 保存到
input/（粘贴文字保存为input/pasted-YYYYMMDD-HHMMSS.txt） - 规范化保存到
transcripts_raw/ - 清洗整理
- 保存 →
final/*.txt
本地工作目录
默认路径：./transcript-organizer-workspace/
目录结构：
| 目录 | 用途 |
|---|---|
input/ |
用户提供的原始文字稿、字幕、链接记录 |
media_original/ |
下载或复制来的原始视频/媒体文件 |
audio_original/ |
下载或提取出的原始音频文件 |
audio_wav/ |
转码后的 16kHz mono WAV |
transcripts_raw/ |
ASR 原始转写稿或用户提供的原始文字稿副本 |
transcripts_clean/ |
去时间戳、去噪音、初步清洗后的稿件 |
final/ |
最终分享式提纯版原文 .txt |
logs/ |
环境检测、依赖检查、执行日志和错误信息 |
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：
| 环境 | 默认后端 | 默认模型 | 说明 |
|---|---|---|---|
| macOS + Apple Silicon + 内存 ≥ 16GB | mlx-whisper |
medium |
优先使用 Apple Silicon 加速 |
| macOS + Apple Silicon + 内存 < 16GB | mlx-whisper |
small |
降低内存压力 |
| Windows/Linux + NVIDIA CUDA + 内存 ≥ 16GB | faster-whisper CUDA |
large-v3 |
高质量优先 |
| Windows/Linux + NVIDIA CUDA + 内存 < 16GB | faster-whisper CUDA |
medium |
兼顾速度和内存 |
| 无 GPU + 内存 ≥ 16GB | faster-whisper CPU |
medium |
使用 int8 |
| 无 GPU + 内存 < 16GB | faster-whisper CPU |
small |
保守默认 |
| 无法安装本地 ASR | 跳过 ASR | 无 | 允许用户提供原始转写稿 |
ASR 语言策略
- 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。
- 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。
- 如果音频是中文，原始转写稿和最终整理稿都保持中文。
- 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。 - 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
- 先检查是否已安装
- 优先使用虚拟环境（
C:\Users\zhao\.workbuddy\binaries\python\envs\default） - 不要修改用户全局 Python
- 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：
| 脚本 | 用途 |
|---|---|
detect_environment.py |
检测操作系统、硬件、依赖，输出 logs/environment.json |
prepare_workspace.py |
创建本地工作目录和子目录 |
media_to_audio.py |
下载媒体、提取音频、转码为 16kHz mono WAV |
transcribe_audio.py |
调用 ASR 后端完成转录，输出原始转写稿 |
normalize_transcript.py |
读取字幕/文本文件，去掉格式噪音，输出初步清洗稿 |
organize_transcript.py |
按分享式提纯标准整理清洗稿，输出最终 .txt |
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
