用途：将音频或视频中的语音转录为文本，并可在需要时进行说话人分离（diarization）或提供已知说话人参考。
主要能力：默认使用 gpt-4o-mini-transcribe 与 --response-format text 进行快速转录；当用户需要说话人标签时，改用 --model gpt-4o-transcribe-diarize 与 --response-format diarized_json，可传入最多 4 个已知说话人参考（如 --known-speaker "Alice=refs/alice.wav"）。音频超过约 30 秒时保持 --chunking-strategy auto。gpt-4o-transcribe-diarize 不支持 prompting。
使用方式：需先设置 OPENAI_API_KEY（缺失时由用户在本地创建并导出，不要让其粘贴密钥）。依赖安装优先用 uv pip install openai，不可用时 python3 -m pip install openai。技能路径：export CODEX_HOME="${CODEX_HOME:-$HOME/.codex}"；export TRANSCRIBE_CLI="$CODEX_HOME/skills/transcribe/scripts/transcribe_diarize.py"。单文件示例：python3 "$TRANSCRIBE_CLI" path/to/audio.wav --out transcript.txt；多文件用 --out-dir 避免覆盖，输出建议放在 output/transcribe/ 下。
适用场景：会议、访谈等录音整理，需要区分说话人时使用分离模式。
限制：需有效 API 密钥；分离模型不支持提示；支持的格式、上限与响应格式详见 references/api.md；资料未提供具体定价、平台覆盖或效果保证。