transcribe

音频转写

使用 OpenAI 转写音频，并可按需进行说话人分离。建议使用随附的 CLI，以便稳定、重复地运行。

工作流

1. 收集输入：音频文件路径、所需的响应格式（text/json/diarized_json）、可选的语言提示，以及任何已知说话人参考信息。
2. 确认已设置 OPENAI_API_KEY。如果未设置，请用户在本地设置（不要让他们粘贴密钥）。
3. 使用合理的默认值运行随附的 transcribe_diarize.py CLI（快速文本转写）。
4. 验证输出：转写质量、说话人标签和片段边界；如有需要，通过一次有针对性的更改进行迭代。
5. 在此仓库中工作时，将输出保存到 output/transcribe/ 下。

决策规则

• 默认使用 gpt-4o-mini-transcribe，并设置 --response-format text 进行快速转写。
• 如果用户需要说话人标签或说话人分离，请使用 --model gpt-4o-transcribe-diarize --response-format diarized_json。
• 如果音频长于约 30 秒，请保留 --chunking-strategy auto。
• gpt-4o-transcribe-diarize 不支持提示词。

输出约定

• 评估运行使用 output/transcribe/<job-id>/。
• 处理多个文件时使用 --out-dir，以免覆盖文件。

依赖项（缺少时安装）

依赖管理优先使用 uv。

uv pip install openai

如果无法使用 uv：

python3 -m pip install openai

环境

• 进行实时 API 调用必须设置 OPENAI_API_KEY。
• 如果缺少密钥，请指导用户在 OpenAI 平台 UI 中创建密钥，并在其 shell 中导出。
• 绝不要让用户在聊天中粘贴完整密钥。

技能路径（设置一次）

# Set to the directory containing this SKILL.md
export TRANSCRIBE_CLI="<path-to-skill>/scripts/transcribe_diarize.py"

将 <path-to-skill> 替换为实际的技能安装目录（例如 .skills/transcribe 或 ~/.letta/skills/transcribe）。

CLI 快速入门

单个文件（默认快速文本转写）：

python3 "$TRANSCRIBE_CLI" \
  path/to/audio.wav \
  --out transcript.txt

使用已知说话人进行分离（最多 4 位）：

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

纯文本输出（显式指定）：

python3 "$TRANSCRIBE_CLI" \
  interview.mp3 \
  --response-format text \
  --out interview.txt

参考索引

• references/api.md：支持的格式、限制、响应格式以及已知说话人说明。