用途：提供统一的音频工作流，覆盖语音转文字（转录）、文本转语音（TTS）与音频提取三类核心操作，并可获取 YouTube 字幕。
主要能力与用法：
- 转录：默认使用 OpenAI Whisper，适用于多数语言；可配置按语言优化的模型。示例命令：~/.claude/scripts/transcribe input.mp3 --output transcript.md；加语言提示：--language en；长文件分块：--chunk 600。输出为带约 60 秒时间戳的 markdown，可检测说话人轮次时也会保留。
- TTS：默认使用 ElevenLabs，voice ID 在 ~/.claude/.env 配置。示例：~/.claude/scripts/tts "Text to speak" --output speech.mp3；指定音色：--voice $VOICE_ID；从文件读取：--input script.txt。
- 音频提取：使用 ffmpeg 从视频提取音频、转换格式、切分。示例：ffmpeg -i video.mp4 -vn -acodec mp3 audio.mp3；ffmpeg -i input.m4a -acodec mp3 output.mp3；按 600 秒切分：ffmpeg -i long.mp3 -f segment -segment_time 600 -c copy chunk_%03d.mp3；变速不变调：ffmpeg -i input.mp3 -filter:a "atempo=1.25" output.mp3。
- YouTube 字幕：通过 MCP 调用 mcp__youtube-transcript__get_transcript URL，返回带时间戳的字幕，可单独使用或交给 extract-wisdom 技能。
常见工作流：播客→笔记（获取或提取音频、转录、运行 extract-wisdom、通过 archive-to-vault 保存）；文字→音频（已有稿件直接 TTS 输出 mp3）；会议录音→纪要（从视频会议提取音频、转录，如有说话人区分则启用，再运行 meeting-processor 智能体）。
输出路径：按项目配置，常见默认：转录 ~/Documents/transcripts/{YYYY-MM-DD}{title}.md；音频 ~/Documents/audio/{YYYY-MM-DD}{title}.mp3。
限制与注意事项：已知语言时未加语言提示会降低准确率；超长文本一次性 TTS 不如分块可靠；音频应始终附带时长、来源、日期等元数据。具体模型、收费与价格资料暂未提供。