用途：将音频或视频转录为结构化 Markdown，适合语音转文字、会议记录、视频字幕与播客转录。
主要能力：支持 mp4、mov、mp3、wav、m4a、flac 等格式；自动生成时间戳；默认启用说话人分离（diarization）；支持 paraformer-onnx 与实验性 SenseVoice-Small ONNX 加速；视频可自动提取关键帧截图（PPT 幻灯片）并插入对应位置；转录后自动附带 AI 总结提示词；输出 Markdown。
使用方式：首次运行 python3 scripts/check_env.py 检测环境，再运行 python3 scripts/setup.py 安装依赖并下载模型；启动服务 python3 scripts/server.py（默认 http://127.0.0.1:8765，空闲 10 分钟自动关闭，可用 --idle-timeout 调整）；命令行转录如 python3 scripts/transcribe.py /path/to/audio.mp3，或调用 POST /transcribe 接口。API 文档见 http://127.0.0.1:8765/docs。Agent 环境需先设置 PATH：export PATH="/opt/homebrew/bin:/usr/local/bin:/usr/bin:/bin:/usr/sbin:/sbin:$PATH"。
限制：首次使用需下载约 1-2GB 模型；ONNX 句子级时间戳为近似映射，非逐字强对齐；调大 VAD 静音阈值、合并相邻 VAD 段或额外 padding 均会降低质量，不建议作为默认；SenseVoice 为实验性选项。