用途：通过 OpenAI Audio API 完成语音转文字（transcription）与非英语音频转英语文本（translation），适用于会议、访谈、播客、语音笔记、字幕生成、视频剪辑时间戳与多说话人识别等场景。
主要能力：模型选择上，gpt-4o-transcribe 精度最高，gpt-4o-mini-transcribe 更省成本，whisper-1 支持时间戳与 SRT/VTT，gpt-4o-transcribe-diarize 支持说话人标签。响应格式包括 json、text、srt、vtt、verbose_json、diarized_json。支持词级/段级时间戳、字幕生成、prompt 引导词汇与风格、大文件分块、stream: true 流式输出、翻译为英语、说话人分离。
使用方式：转写用 client.audio.transcriptions.create()，翻译用 client.audio.translations.create()。时间戳需 whisper-1 配合 response_format: "verbose_json"；diarization 需 gpt-4o-transcribe-diarize 配合 response_format: "diarized_json"，音频超过 30 秒须设 chunking_strategy: "auto"。文件超过 25 MB 须先分块，可按句边界切分并传入上一段文本尾部作为 prompt 保持上下文。流式仅 gpt-4o-transcribe 与 gpt-4o-mini-transcribe 支持。
限制：文件上限 25 MB；翻译仅 whisper-1 且只输出英语；whisper-1 的 prompt 约 224 token；gpt-4o-transcribe 系列不支持 srt、vtt、verbose_json；diarization 不支持 prompt、logprobs、timestamp_granularities；whisper-1 对静音段可能产生幻觉；支持格式为 flac、mp3、mp4、mpeg、mpga、m4a、ogg、wav、webm。实时语音对话与 TTS 不适用本技能。