用途：将音频或视频文件转换为文字，可自动检测语言，支持多种输出格式，适合会议录音、视频字幕、采访与播客整理、语音备忘录转文本等场景。
依赖与安装：pip install openai-whisper ffmpeg-python；系统需安装 ffmpeg（Ubuntu/Debian：sudo apt-get install ffmpeg；macOS：brew install ffmpeg；Windows 从 https://ffmpeg.org/download.html 下载）。
用法：python scripts/transcribe.py <输入文件> [输出文件] [选项]。示例：python scripts/transcribe.py meeting.mp4；python scripts/transcribe.py podcast.mp3 podcast.srt --output-format srt；python scripts/transcribe.py interview.wav --model tiny --language zh；python scripts/transcribe.py video.mp4 result.json --output-format json。
主要选项：--model（tiny/base/small/medium/large，默认 base）、--language（如 zh、en、ja，默认自动检测）、--output-format（txt/srt/vtt/json，默认 txt）、--device（cpu/cuda，默认 cpu）、--keep-audio（默认 false）。输出 txt 为纯文本，srt/vtt 为带时间码字幕，json 含分段、时间戳、置信度等。
支持音频 MP3、WAV、FLAC、OGG、M4A、AAC；视频 MP4、AVI、MOV、MKV、WEBM、FLV。模型越大精度越高但越慢，可按场景选择。
限制：转录质量受音频清晰度与模型大小影响；速度慢可换小模型或用 --device cuda；内存不足可换小模型或分割文件处理。其他限制暂未提供。