用途：将音频或视频文件转换为文字，支持词级别时间戳，可生成 TXT、SRT、VTT、JSON 等格式，适合字幕生成、语音识别等场景。
主要能力：使用 WhisperX 进行语音识别，支持多种语言与词级别对齐；支持音频格式 MP3、WAV、FLAC、M4A、OGG 等，视频格式 MP4、MKV、MOV、AVI 等（自动提取音频）；可选模型 tiny、base、small、medium、large-v2；可自动检测语言或指定语言代码；可跳过词对齐、禁用 VAD 过滤。
使用方式：需 Python 3.12（uv 自动管理）。运行脚本：uv run /path/to/skills/audio-transcribe/transcribe.py "INPUT_FILE" [OPTIONS]。参数包括 --model/-m 模型、--language/-l 语言代码、--no-align 跳过词对齐、--no-vad 禁用 VAD、--output/-o 输出路径、--format/-f 格式（srt/vtt/txt/json）。示例：uv run skills/audio-transcribe/transcribe.py "audio.mp3" -l zh -f srt -o "subtitles.srt"。执行前应先确认输入文件存在，并收集用户的模型、语言、对齐、格式与输出路径偏好。
适用场景：音频转文字、视频转文字、字幕生成、语音识别等。
限制：首次运行需下载模型，速度较慢，后续使用缓存；内存不足时可改用更小模型；识别准确度不足时可改用更大模型或明确指定语言；若出现时间跳跃或遗漏，可使用 --no-vad。价格、收费与平台支持等资料暂未提供。