用途：为 Flick 及其他视频工作流从本地视频/音频文件或公开视频 URL 提取带时间戳的转录，输出可移植的 transcript.json，而非纯文本。
主要能力：生成包含 source、language、text、segments（startMs/endMs/text）和 words（startMs/endMs/text）的 JSON；保留原始语言语音，除非用户要求翻译；对不确定的音频做标记而非编造内容。
使用方式：优先使用用户提供的本地视频/音频文件；对公开 URL 用 yt-dlp 下载音频；输入为视频时用 FFmpeg 生成 16 kHz 单声道 WAV；用 Whisper 转录，模型按音频质量选择。若下载因需要认证而失败，应请用户上传视频或提供可访问的本地文件，不得绕过访问控制。在转录用于场景计时前，请用户纠正不确定的开头或专有名词。
适用场景：需要逐词或分段时间戳的视频字幕、场景对齐、剪辑与转录整理等流程。
限制：仅支持本地文件或公开 URL；不绕过访问控制；不确定音频会被标记；具体模型版本、性能与收费信息暂未提供。