transcribe

# 音频转录 使用 OpenAI 转录音频，并在需要时进行说话人识别（Diarization）。优先使用捆绑的 CLI 以实现确定性、可重复的运行。 ## 工作流 1. 收集输入：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任何已知的说话人参考。 2. 验证 `OPENAI_API_KEY` 是否已设置。如果缺失，请要求用户在本地设置（不要要求用户在聊天中粘贴密钥）。 3. 使用合理的默认值（快速文本转录）运行捆绑的 `transcribe_diarize.py` 工具。 4. 验证输出：转录质量、说话人标签和片段边界；如果需要，通过单次针对性修改进行迭代。 5. 在本仓库工作时，将输出保存到 `output/transcribe/`。 ## 决策规则 - 默认使用 `gpt-4o-mini-transcribe` 和 `--response-format text` 进行快速转录。 - 如果用户需要说话人标签或识别，使用 `--model gpt-4o-transcribe-diarize --response-format diarized_json`。 - 如果音频长度超过约 30 秒，保留 `--chunking-strategy auto`。 - `gpt-4o-transcribe-diarize` 不支持提示词（Prompting）。 ## 输出约定 - 使用 `output/transcribe//` 进行评估运行。 - 对多个文件使用 `--out-dir` 以避免覆盖。 ## 依赖（如果缺失请安装） 优先使用 `uv` 进行依赖管理。 uv pip install openai 如果 `uv` 不可用： python3 -m pip install openai ## 环境 - 必须设置 `OPENAI_API_KEY` 才能进行实时 API 调用。 - 如果密钥缺失，指导用户在 OpenAI 平台 UI 中创建一个并在其 shell 中导出。 - 永远不要要求用户在聊天中粘贴完整密钥。 ## 技能路径（设置一次） bash export CODEX_HOME="${CODEX_HOME:-$HOME/.codex}" export TRANSCRIBE_CLI="$CODEX_HOME/skills/transcribe/scripts/transcribe_diarize.py" 用户范围的技能安装在 `$CODEX_HOME/skills`（默认：`~/.codex/skills`）。 ## CLI 快速入门 单个文件（默认快速文本）： python3 "$TRANSCRIBE_CLI" path/to/audio.wav --out transcript.txt 带有已知说话人（最多 4 个）的识别： python3 "$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）： python3 "$TRANSCRIBE_CLI" interview.mp3 --response-format text --out interview.txt ## 参考映射 - `references/api.md`