用途：输入音频或视频，输出与源语言一致的带时间戳 SRT 字幕（母版），不做翻译。适用于需要逐字稿或 SRT、缺少源语言字幕、或先要字幕再翻译的场景；若已有源语言 SRT，应直接进入翻译技能。
引擎路由：中文（zh-CN/zh-HK/zh-TW）默认用火山（豆包）ASR，准确率优于 Whisper；其他语言用 OpenAI Whisper API 并请求词级时间戳；离线或无 API 时用本地 openai-whisper（medium）作为兜底。中文不应默认走 Whisper，除非用户明确要求或火山不可用。
Whisper 路径要点：不要请求 response_format=srt，否则长独白会出现 30 秒整块字幕、安静段会出现循环幻觉。应请求 verbose_json 加 timestamp_granularities[]=word，固定 language，temperature 用 0.2 以启用回退链。上传前用 64kbps 单声道 MP3 压缩，按 10 分钟分块（约 4.5MB），并发 2 较稳，调用做指数退避重试；合并时给每块时间戳加上该块绝对起始偏移。自行组装字幕：目标 3 秒、上限 5 秒、中文每行约 18 字、静音超过 1 秒强制切分，并按标点与词间最大间隔切分，最后做循环检测丢弃重复短语。
火山路径：用大模型流式 WebSocket API（wss://openspeech.bytedance.com/api/v3/sauc/bigmodel），推送 16kHz 单声道 PCM 字节，无需公网音频 URL；脚本 scripts/volc_asr_stream.py 与 scripts/build_srt_from_asr.py 构建词级计时 SRT，支持 --max-chars、--soft-min、--strip-punct 等参数。不要用飞书妙记做 ASR。凭据存放在 ~/code/.env，ASR 与 TTS 共用同一组 appid 与 token。
中文最终需由 Claude 在会话内做一次错别字修正：只改明显同音错字，不得改动时间戳、编号与切分边界，不润色、不猜测专有名词，并输出修改清单供核对。输出文件名为 <source-stem>.srt，标准 SRT 格式、毫秒用逗号。交接前检查编号连续、时间不重叠、不截断词、无循环残留。
限制：详细参数与命令以原文为准；未提供具体价格、账号申请与配额信息。