用途：把音频文件转换为文本，输出带时间戳的分段结果，可选开启说话人识别，适合做字幕、会议记录、访谈与播客转写。
主要能力：自动语言检测；说话人识别（diarization），可用 --speakers 提示人数；输出结构化 JSON，含整段文本、语言和各分段的起止时间与文本（开启说话人识别时含 speaker 字段）。支持 mp3、wav、m4a、ogg 音频。
使用方式：命令为 npx agent-media@latest audio transcribe --in <path> [options]。常用参数：--in 必填，输入音频路径或 URL；--diarize 开启说话人识别；--language 指定语言代码（不填则自动检测）；--speakers 提示说话人数；--out 指定输出路径、文件名或目录（默认 ./）；--provider 选择服务方（local、fal、replicate、runpod）。例如：npx agent-media@latest audio transcribe --in interview.mp3；npx agent-media@latest audio transcribe --in meeting.wav --diarize；npx agent-media@latest audio transcribe --in podcast.mp3 --diarize --language en --speakers 3。
处理视频：先提取音频再转写，如 npx agent-media@latest audio extract --in video.mp4 --format mp3，再对提取出的音频执行 transcribe。
服务方与限制：local 在 CPU 本地运行，基于 Transformers.js 与 Moonshine 模型，无需 API key，首次使用下载约 100MB 模型，但不支持说话人识别，且可能提示 mutex lock failed 错误（若 ok 为 true 可忽略）。fal 需要 FAL_API_KEY，未开启 diarization 时用 wizper 模型，开启时用 whisper 模型。replicate 需要 REPLICATE_API_TOKEN，使用 whisper-diarization（Whisper Large V3 Turbo），原生支持说话人识别与词级时间戳。runpod 需要 RUNPOD_API_KEY，使用 pruna/whisper-v3-large，不支持说话人识别。
适用场景：字幕生成、访谈与播客转写、会议记录等需要时间戳或区分说话人的场景。费用、速度等具体信息资料暂未提供。