用途：将音频文件（MP3、M4A、WAV、FLAC 等）转写为带说话人标签的 Markdown 文稿，并生成带时间戳的 SRT 字幕，同时尝试从文件名、对话上下文、YouTube 元数据或文稿内容中识别说话人姓名。
主要能力：默认使用 Parakeet + FluidAudio 本地转写，速度快（M4 Pro 上约 1 小时音频需 5 分钟），完全离线，仅支持英语；FluidAudio 负责说话人分离，运行于 Apple Neural Engine。超过 3 小时的音频会自动切分为 2 小时片段处理后再合并。可选清理填充词（如 um），默认仅作用于 Markdown 文稿。
使用方式：需预先安装 parakeet-mlx（uv tool install parakeet-mlx）与 fluidaudio（bash ~/.claude/skills/transcribe-audio/scripts/setup_fluidaudio.sh），并可能需要 ffmpeg。调用时提供音频绝对路径与可选输出目录，默认输出到音频同目录。仅当用户明确要求 AssemblyAI、云端转写或非英语音频时，才使用 AssemblyAI，需在 ~/.claude/skills/transcribe-audio/.env 中配置 ASSEMBLYAI_API_KEY。
适用场景：播客、访谈、会议等需要区分说话人的英语音频转写；非英语音频需改用 AssemblyAI。
限制：本地模式仅支持英语；AssemblyAI 需联网、API 密钥，速度较慢，费用约 $0.01/分钟；说话人姓名识别依赖上下文线索，不确定时保留 Speaker N 通用标签。