用途：把音频或视频转录为带说话人标签和时间戳的文本，适用于转录、录音转文字、说话人分离、字幕等场景。
主要能力：本地执行有两条路线——长时或无人值守录音使用带检查点的 whisper.cpp + Silero VAD 分块，再后期融合 pyannote 说话人；短/中录音可用 Qwen3-ASR + mlx-whisper 对齐路线。默认输出 [start-end] SPEAKER_xx: text 的 CSV；纯文本输出是退出选项（--no-diarization），适合独白、播客或只需摘要，但会舍弃所有时间戳。说话人分离需一次性配置 pyannote（受门控的 HuggingFace 模型，需 token），首次未配置会失败并给出设置步骤。
使用方式：先检测平台并加载配置，配置持久化在 ${CLAUDE_PLUGIN_DATA}/config.json；macOS Apple Silicon 推荐本地 MLX，其它平台推荐远程 API。输入可为本地文件、直接媒体 URL 或网页/播客页面；可用内置脚本解析媒体： uv run ${CLAUDE_SKILL_DIR}/scripts/resolve_media_input.py INPUT_FILE_OR_URL --output-dir OUTPUT_DIR --manifest OUTPUT_DIR/media_manifest.json 视频可先提取为 16kHz 单声道 WAV： ffmpeg -i INPUT_VIDEO -vn -acodec pcm_s16le -ar 16000 -ac 1 OUTPUT.wav -y 多段录音可先合并： uv run ${CLAUDE_SKILL_DIR}/scripts/prepare_asr_input.py SEG*.wav -o upload.m4a --speed 1.3 如允许云端处理，普通会议/DJI 录音可用飞书妙记作为常规主路径，上传前先用 LARK_CLI_NO_PROXY=1 执行 lark-cli drive +upload 与 lark-cli minutes +upload。
限制：本地 MLX 仅限 macOS Apple Silicon；远程 API 需提供端点。飞书上传有 6 GB、6 小时硬限制。第三方公开播客或受版权保护媒体，应保存转录为本地文件供个人分析，不要把完整长转录粘贴到聊天中。资料中未提供定价、具体效果指标等信息。