音频转录Skill：一句话把会议、访谈和播客变成可检索的文字
- 它是什么：由 openai 提供的 AI 技能，技能英文名
transcribe、中文名「音频转录Skill」、技能ID 12047，把音频/视频中的语音转成文本，并可选做话者分离。 - 核心能力：默认快速转文本；需要区分「谁在说话」时切换话者分离模型，输出带话者标签和片段边界的结构化结果；还支持最多 4 个已知话者参考音频，把「话者1」直接变成真实姓名。
- 怎么用：技能自带一个可重复运行的命令行脚本，AI 助手按内置的决策规则自动选模型、选响应格式、选分块策略，你只需要给出音频路径和想要的产物。
- 适合谁：需要整理会议纪要、访谈记录、课程与播客文稿的团队，以及想在自己产品里验证语音转写能力的开发者。
- 最大差别：不是又一个「上传-等待-下载」的转写网站，而是把转写嵌进 AI 工作流，转完可以接着总结、拆待办、做检索。
1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？
基本信息
| 项目 | 内容 |
|---|---|
| 中文名 | 音频转录Skill |
| 英文名 | transcribe |
| 技能ID | 12047 |
| 作者 | openai |
| 依赖 | openai Python 包、OPENAI_API_KEY 环境变量 |
它解决什么问题
录音本身是「死」的：一小时会议音频没法搜索、没法引用、没法拆成待办。人工听写一小时录音往往要花两三个小时。这个技能要解决的就是这一步：给一段音频，直接得到结构化文本；如果录音里有多个人说话，还能把每句话归到具体的说话人头上。
「一键安装」的思路
AI 技能不是普通软件安装包，而是一份带说明书的「能力包」：SKILL.md 里写清了工作流、决策规则和输出约定，AI 助手读到它之后，就知道遇到「转录音频」「提取录音文字」「标记会议话者」这类请求时，该调用哪个脚本、传什么参数、结果存哪里。所以安装技能 = 把技能目录放进助手的技能路径 + 在本机准备好运行环境，之后你用自然语言说需求即可，不用每次手写一大段提示词。
安装步骤
- 准备环境：一个支持技能机制的 AI 编程助手环境（用户级技能安装在
$CODEX_HOME/skills下，默认路径为~/.codex/skills），以及 Python 3。具体安装入口与命令请以官方说明为准。 - 安装技能本体：把
transcribe技能包放入用户技能目录，使脚本落到$CODEX_HOME/skills/transcribe/scripts/transcribe_diarize.py。 - 设置技能路径（只需一次）：
export CODEX_HOME="${CODEX_HOME:-$HOME/.codex}"
export TRANSCRIBE_CLI="$CODEX_HOME/skills/transcribe/scripts/transcribe_diarize.py"
- 安装依赖（缺失时），优先用
uv：
uv pip install openai
若 uv 不可用：
python3 -m pip install openai
- 配置密钥：
OPENAI_API_KEY必须设置才能发起真实调用。请在 OpenAI 平台界面自行创建密钥，并在自己的 shell 中导出（export OPENAI_API_KEY=...）。安全约定很明确：不要把完整密钥粘贴到聊天里，如果助手发现密钥缺失，应当请你在本地设置。
验证是否生效
拿一段短音频跑一次默认快速转录，看输出文件是否生成、内容是否与音频对得上：
python3 "$TRANSCRIBE_CLI" \
path/to/audio.wav \
--out transcript.txt
2. 该技能的主要功能和特点
- 音频转文本：把音频文件中的语音转成文字，默认使用
gpt-4o-mini-transcribe配合--response-format text，追求「快速拿到文本」。 - 话者分离（谁在说话）：当用户需要话者标签时，切换到
--model gpt-4o-transcribe-diarize --response-format diarized_json，输出带话者标签和片段边界的结构化 JSON。 - 已知话者提示：通过
--known-speaker "Alice=refs/alice.wav"这样的参数传入参考音频，最多支持 4 个已知话者，把抽象的「话者1」直接映射成真实姓名——这是很多转写工具不做的细活。 - 长音频自动分块：音频长度超过约 30 秒时，保持
--chunking-strategy auto，避免大文件一次处理失败。 - 确定性、可重复的运行：技能说明明确建议使用捆绑的命令行工具，而不是让模型自由发挥，同一份输入用同一组参数能得到稳定的结果，便于回归比对。
- 产物有约定：评估性质的运行统一落在
output/transcribe/<job-id>/下；处理多个文件时用--out-dir指定目录，避免互相覆盖。 - 密钥安全内建：把「不要索取完整密钥」写进了工作流规则，降低泄露风险。
和普通转写工具比强在哪：普通工具只给你一段纯文本；这个技能把转写变成了可编排的一步——模型选择、输出格式、分块策略、产物路径都有明确规则，转完的文字可以立刻进入总结、待办提取、知识库入库等后续环节，还可以被批量、重复地调用。
3. 如何使用该技能？
步骤 1：收集输入
明确四件事：音频文件路径、期望的响应格式（text / json / diarized_json）、可选的语言提示，以及是否有已知话者参考音频。音频支持的具体格式与限制，请查阅技能内的 references/api.md。
步骤 2：确认密钥就绪
检查 OPENAI_API_KEY 是否已在环境中设置；缺失时先本地导出再运行。
步骤 3：选择模型与格式
- 只要文字 → 默认模型 +
text； - 要区分说话人 →
gpt-4o-transcribe-diarize+diarized_json。
步骤 4：执行命令
单文件快速转录：
python3 "$TRANSCRIBE_CLI" \
path/to/audio.wav \
--out transcript.txt
访谈场景，明确要求纯文本输出：
python3 "$TRANSCRIBE_CLI" \
interview.mp3 \
--response-format text \
--out interview.txt
会议场景，话者分离 + 已知话者 + 指定产物目录：
python3 "$TRANSCRIBE_CLI" \
meeting.m4a \
--model gpt-4o-transcribe-diarize \
--known-speaker "Alice=refs/alice.wav" \
--known-speaker "Bob=refs/bob.wav" \
--response-format diarized_json \
--out-dir output/transcribe/meeting
步骤 5：检查输出 重点看三件事：转录质量（有没有明显错字、漏句）、话者标签是否合理、片段边界是否切在自然停顿处。如果发现问题，做一次有针对性的修改再跑，避免盲目反复试。
步骤 6：落地保存
在仓库内工作时，把结果统一保存到 output/transcribe/ 下，方便后续检索和版本管理。
4. 同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 音频转录Skill（transcribe） | 嵌进 AI 工作流的转写能力包 | 快速转文本、话者分离、已知话者提示、长音频自动分块、产物目录约定 | 需要有支持技能机制的环境、Python、openai 依赖与 API 密钥 |
会议纪要、访谈整理、内容转文稿，且转完要继续加工 | 优势：命令行可重复、话者分离与真实姓名映射细、与后续 AI 处理无缝衔接；不足：需要终端与密钥配置，面向技术型用户 |
| 直接调用 OpenAI 音频转写接口 | 底层 API | 语音转文字、可选话者分离 | 需要自己写调用代码、自己处理分块与结果保存 | 有工程能力、要自建流水线的团队 | 优势：最灵活；不足：分块、重试、产物管理都要自己实现，容易踩长音频的坑 |
| 本地开源转写模型（如 Whisper 系） | 私有化部署 | 语音转文字，可离线运行 | 需要显卡/算力与模型下载，环境配置较重 | 数据不能出内网、批量离线处理 | 优势：离线、数据不出门、无按次费用；不足：话者分离和已知话者能力通常要额外拼装，准确率与维护成本自行承担 |
| 在线转写服务平台 | SaaS 工具 | 上传音频出文稿，多数支持话者区分 | 浏览器上传即可，零配置 | 非技术岗位、偶发的一次性转写 | 优势：上手最快；不足：难以批量编排，产物不便直接进入开发或知识库流程，长音频与隐私策略需自行评估 |
选型建议：只看「把话转成字」这一件事，在线平台最省心；如果转写只是流水线的一环、后面还要总结与检索，把转写做成技能调用更顺。
5. 该技能的典型应用场景与实际体验情况
场景一：周会纪要自动化（项目经理 / 团队负责人） 痛点是每周固定一小时的会，人工记录容易漏掉结论和责任人。使用方式是会后把录音文件交给助手，要求做话者分离并传入参会人的参考音频，得到带姓名的对话稿，再让助手拆出「决议、待办、负责人」。
场景二：用户访谈整理（产品 / 用户研究）
痛点是访谈录音多、逐字稿耗时，且必须准确区分主持人和受访者。使用方式是用 --response-format text 快速出稿，或用话者分离版本做引用核对；由于 gpt-4o-transcribe-diarize 不支持提示，需要语言提示时要按决策规则调整模型选择。
场景三：播客与课程转文稿（内容运营 / 自媒体）
痛点是节目时长长、要出文字稿做 SEO 和二次剪辑。使用方式是长音频依赖 --chunking-strategy auto 自动分块，多个文件用 --out-dir 分目录输出，不互相覆盖。
场景四：语音功能验证（开发者）
痛点是产品要做语音输入，需要快速验证识别效果与时延。使用方式是用捆绑 CLI 做对比评估，结果按 output/transcribe/<job-id>/ 归档，形成可复现的对照记录。
实际体验情况
上手难度中等偏低：如果环境已有 Python 和密钥，跑通第一条命令通常几分钟内完成；真正的门槛在于密钥配置与技能路径设置。效果方面，快速文本模式的产出适合「先有字再加工」，话者分离模式的价值在于多说话人场景的可读性，而已知话者参考能把结果质量再抬一档。注意事项有三条：一是 gpt-4o-transcribe-diarize 不支持提示，需要语言提示或特定风格的场景要换模型；二是超过约 30 秒的音频别关掉自动分块；三是密钥只在本地 shell 设置，任何情况下都不要粘进对话。
6. 该技能能为用户带来的价值
- 时间成本直接压缩：一小时录音的人工听写往往要数小时，转写交给技能后，人只花在「校对与提炼」上，纪要、文稿类工作从「天」级降到「小时」级。
- 降低技术门槛：不用自己研究模型选型、响应格式、长音频分块，技能把决策规则写死了，非算法背景的成员也能用一条命令拿到可用结果。
- 结构化的长期资产：
diarized_json保留话者标签与片段边界，文字稿不再是一坨纯文本，可以按人引用、按片段定位，长期沉淀成可检索的团队知识库。 - 可重复、可审计：捆绑 CLI + 固定产物目录，意味着每次转写都能复现与对比，评估识别效果或排查问题时不必靠"再试一次看看"。
- 流程延展性：转写只是第一步，文本出来之后紧接着的总结、待办提取、跨文档检索都能在同一个 AI 会话里完成，省掉多次工具切换。
7. 常见问题 FAQ
Q1：这个技能怎么安装？必须要会写代码吗？
把 transcribe 技能包放入用户技能目录（$CODEX_HOME/skills，默认 ~/.codex/skills），设置 TRANSCRIBE_CLI 环境变量，再安装 openai 依赖并配置 OPENAI_API_KEY 即可。日常使用时用自然语言说需求就行，但要完成首次环境配置，仍需要能操作终端。具体安装入口与命令以官方说明为准。
Q2：收费吗？ 技能本身是 openai 提供的技能包，但运行时会调用 OpenAI 的音频转写接口，因此会产生接口调用费用，具体计价以 OpenAI 官方说明为准。转写之外的本地脚本运行不额外收费。
Q3：我的密钥安全吗？ 技能的规则里明确写了：如果密钥缺失，应指导用户在本地 shell 中导出，永远不要在聊天中要求用户粘贴完整密钥。请始终把密钥放在环境变量里，不要写进代码或对话记录。
Q4：需要区分说话人的时候怎么选参数？
默认模型只出文字；需要话者标签时改用 --model gpt-4o-transcribe-diarize --response-format diarized_json。如果有参会人的参考音频，加上 --known-speaker "姓名=参考音频路径"，最多 4 个，就能把话者标签换成真实姓名。注意该模型不支持提示。
Q5：和在线转写网站、本地开源模型怎么选？ 只做一次性转写、不涉及后续加工，在线平台最省事；数据不能出内网、追求离线，选本地开源模型；而如果转写之后还要总结、拆待办、入库检索，或者需要批量、可重复地跑，用这个技能把转写变成流水线的一环更合适。