关联主题:: Skills索引
同级::
下一级::

001｜逐字稿 Skill（Transcript）

一句话说明

“逐字稿”是一个本地转写 Skill：先取得音频，再用 FunASR 在本机完成语音识别；视频和普通音频走快速转写，播客/访谈可以额外进行 VAD、说话人分离、补标点和语义分段，最后输出可继续编辑的文稿。

本页边界

本页记录当前安装的 Backtthefuture/video-transcript 实现。下载只是输入准备的一环；它真正的核心价值是“本地模型转写 + 机器预整理 + 后续文稿整理”，不是把文件上传到通义听悟。

1. 基本信息

字段	内容
Skill 编号	001
展示名称	逐字稿
英文名称	Transcript
上游名称	视频文案提取（video-transcript）
历史名称	音频下载并转写
适用平台/场景	B站、YouTube、抖音、小红书、微信视频号、小宇宙，以及本地视频/音频；播客/访谈支持说话人分离
类型	开源
许可证	MIT
当前状态	已安装
命令别名	/video-transcript
关联系统	S-004 逐字稿系统

物理目录暂时保留为 video-transcript，因为上游脚本会从这个目录名定位自身的 scripts/。对用户和 Skill 注册表显示的名称统一为“逐字稿”，因此这是一个逻辑 Skill 的两个兼容副本，不是两个不同的 Skill。

2. 它如何把声音变成合适的文稿

视频/音频链接或本地文件
        ↓
取得可处理的音频，必要时转成 WAV
        ↓
FunASR 本地模型识别语音并生成文字、时间区间
        ↓
播客/访谈：VAD 切分语音 + ASR + 标点 + 说话人分离
        ↓
preorganize.py 机器预整理：合并碎片、去除明显噪声、形成段落
        ↓
LLM 只对文稿做小范围 patch，补标题、修错字、整理版式
        ↓
逐字稿、SRT 字幕或“整理优化版”

这里的“合适”不是指模型把原话改写成摘要，而是分层保留：底层结果尽量保留原始识别内容，上层再进行可追踪的分段、修正和排版。视频默认交付整理优化版；播客则重点保留说话人区块和时间信息。

2.1 视频路径：快速本地识别

• 视频音轨被取出后，使用 FunASR 的 SenseVoice-Small。
• 该路径面向视频文案和单人讲解，重点是速度、中文识别和标点。
• 模型在本机运行，不需要把音频上传到云端；第一次使用需要下载模型文件，之后可复用本地缓存。

2.2 播客路径：先找“哪里有人说话”，再识别

播客/访谈会进入更重的链路：

1. VAD（语音活动检测）：判断音频的哪些时间段有人说话，哪些是静音、音乐或环境声，并据此切成合适的语音片段。
2. ASR（自动语音识别）：把每个语音片段从声波转换成文字，并保留起止时间。
3. PUNC（标点恢复）：根据文字上下文补逗号、句号等，让识别结果不再是一长串无标点文字。
4. 说话人分离：用 CAM++ 判断不同片段属于哪个声音，输出“说话人 0/1”等区块；再根据上下文把它们整理成主持人、嘉宾等可读标签。
5. 语义分段：把过短、过碎的识别片段合并成接近自然说话的段落，并生成 SRT 或 Markdown。

上游脚本中对应的本地模型是：paraformer-zh（ASR）、fsmn-vad（VAD）、ct-punc（标点）、cam++（说话人分离）。这几个模型协作完成“先切语音、再识别、再分角色、最后排版”，不是单个模型独立完成全部工作。

3. VAD 要不要下载模型？

要。VAD 不是一个抽象开关，而是一个需要模型判断的本地处理阶段。上游使用 FunASR 的 fsmn-vad 模型；首次运行时会下载并缓存它，以及同一链路需要的 ASR、标点和说话人模型。

不过“要下载模型”不等于“每次都重新下载”：模型通常只在首次使用或缓存被清理后下载。按照上游说明，视频的 SenseVoice-Small 约 234 MB；播客的 paraformer、VAD、标点和 CAM++ 组合首次准备大约需要 1 GB，实际大小会随模型版本变化。

4. 标准工作流

4.1 输入与准备

支持平台链接和本地文件。链接处理由上游的 extractor 和 yt-dlp/平台解析逻辑完成；本地文件可以跳过下载。ffmpeg 负责抽取或转换音频，浏览器自动化只在特定平台的解析需要时使用。

4.2 本地转写

核心入口是：

python scripts/transcript.py <链接或本地文件>

脚本会按媒体类型选择视频或播客链路，调用 FunASR daemon 复用模型，分块处理长音频，写出带时间信息的中间结果。播客需要时可以指定说话人数，例如 --speakers 2；--doctor 用于检查依赖，--force 用于强制重新处理。

4.3 预整理与人工可读化

• preorganize.py 对原始识别结果做机械整理，不擅自编造内容。
• 视频通常先生成 *_预整理.md，再由后续 patch 生成 *_整理优化版.md。
• 播客通常生成 *_逐字稿.md 和 .srt，重点是时间轴与说话人区块。
• make_optimized.py 等脚本用于格式化或合并结果；最终的错字、人名和专业术语仍应抽查。

5. 依赖与模型

类别	作用
ffmpeg	从视频取音频、转换采样格式
yt-dlp/平台 extractor	在用户提供链接时取得媒体或音频
FunASR	本地 ASR、VAD、标点和说话人分离模型运行框架
SenseVoice-Small	视频快速转写
paraformer-zh	播客/访谈语音识别
fsmn-vad	检测有声区间、帮助切分
ct-punc	恢复标点
CAM++	区分不同说话人

这些依赖和模型尚未在本次“替换 Skill”操作中执行完整安装；本次已下载并安装 Skill 文件本身。实际第一次转写前，可在 Skill 目录运行上游 install.sh，或先执行 transcript.py --doctor 检查环境。

6. 输出与质量边界

输出	用途
原始/中间转写	保留识别结果，便于定位问题和复核
*_预整理.md	机器合并后的工作稿
*_整理优化版.md	面向阅读、发布或后续知识整理的文稿
*_逐字稿.md	播客/访谈的说话人区块稿
.srt	带时间轴的字幕文件

质量上要区分三件事：ASR 负责“听见并写出来”，预整理负责“把碎片拼成段落”，LLM/人工整理负责“变得好读”。最后一步不应被误认为是原始逐字转写；人名、数字、术语、多人重叠说话和说话人标签仍需抽查。

7. 与旧版的关系

历史上，音频下载并转写 是苏苏与 Claude Code 于 2026-01-25 共同设计创建的本地 Skill，采用“下载/编码处理 → 上传通义听悟 → 导出文稿”的云端流程。2026-08-21 曾为它补录上游项目链接并统一对外名称；2026-08-28 才按当前确认移除旧版，安装 Backtthefuture/video-transcript 的本地 FunASR 实现。两段历史需要分开理解：旧版是本地自建工作流，当前版才是上游代码安装。

本次已从活动路径移除旧版 .agents/skills/音频下载并转写/ 与 .claude/skills/音频下载并转写/。旧版是“下载/编码处理 → 上传通义听悟 → 导出文稿”的云端流程；两份旧目录已移入 macOS 废纸篓，便于需要时恢复。

当前保留的是上游 video-transcript 的本地 FunASR 实现，展示名仍为“逐字稿”。旧名只作为历史别名保留，不再作为活动路径或工作流说明。

8. 来源与关联

• GitHub 源项目
• 源项目 SKILL.md
• 播客转写实现 diarize_asr.py
• video-transcript 源项目分析
• VAD（语音活动检测）
• ASR（自动语音识别）
• Skill（AI技能）

本轮没有新建概念卡：Skill、VAD 和 ASR 均复用已有页面；FunASR、SenseVoice、Paraformer、CAM++ 暂作为实现名词，不单独扩展概念索引。

文档更新日志

• 2026.08.28｜建立 001 说明页。
• 2026.08.28｜删除旧版“音频下载并转写”实现说明，改为记录上游 video-transcript 的本地 FunASR 实现；显示名称统一为“逐字稿（Transcript）”，补充来源与物理目录兼容说明。