用途：audio-transcribe 是场景能力 skill，对标 web-access，只提供录音转文字能力（转录与说话人分离），产出原料而非终态，由调用方决定文字用于会议纪要、周报素材或播客摘要等。触发场景为用户提供录音文件、要求转录音频或处理语音文件。
主要能力：将 .wav/.m4a/.mp3/.aac 等格式音频标准化为 16kHz 单声道 MP3，经阿里云百炼 qwen3-asr-flash-filetrans 异步转写（最长 12 小时），再用本地 pyannote/speaker-diarization-3.1 做说话人分离，输出带时间戳与说话人标识的 .transcript.md 和 .transcript.json。说话人分离默认开启，可用 --no-diarization 跳过，或用 --diarize-only 复用已有 ASR 结果补跑。
使用方式：先运行 bash ~/.claude/skills/audio-transcribe/scripts/check-deps.sh 检查依赖，需 ffmpeg（brew install ffmpeg）、dashscope（pip install dashscope）、DASHSCOPE_API_KEY、首次下载 pyannote 模型所需的 HF_TOKEN，可选 pyannote.audio（pip install pyannote.audio）。密钥可写入 ~/.claude/.env 持久生效。基本命令如 transcribe.py meeting.m4a，支持多文件批量、--output-dir 指定输出、--merge 合并同一会议多段录音、--no-diarization 跳过分离、--diarize-only 补跑。
适用场景与限制：适合多人对话录音、路演录音批量处理等需要归属关系的场景；单人独白或播客可关闭分离。标准化音频为中间产物存于 /tmp，转录完即废弃。--merge 目前支持 DJI Mic 3 文件名格式，其他格式按文件顺序拼接。首次使用 pyannote 需在 HuggingFace 接受模型协议，模型缓存后可离线。调用方需自行决定文本用途、摘要格式、产出位置，并将 SPEAKER_00 映射为真实身份。