用途：把本地音视频文件或公开媒体 URL 转成字幕文件，也可将文本通过 MiniMax TTS 合成音频并可选生成字幕。
主要能力：媒体转写走 AI MediaKit ASR，异步轮询至完成或失败，保存 .json、.srt、.vtt；支持批量文件/URL 与清单输入、说话人分离、语言与格式选择。文本输入时用 MiniMax TTS 生成音频并保存，若加 --subtitles 则上传 R2 后走同一字幕流程。对本地视频工程，可将字幕写入项目 work/captions/，使用 captions.srt、captions.vtt 作为清理后主文件，保留 captions.raw.srt、captions.raw.vtt 与 asr-result.json，并写出 captions_aligned.json 供 Remotion 同步 src/demoData.ts。
用法：设 SKILL_DIR="./skills/audio-to-subtitles"，运行 npx -y bun "$SKILL_DIR/scripts/main.ts" audio.mp3 --language zh-CN --out-dir subtitles；公开 URL 跳过 R2；批量可传多个文件/URL 或用 --manifest。文本可用 --text 或 --text-file，配合 --subtitles 生成字幕；--speaker 开启说话人；TTS 可设 --voice-id、--tts-model、--tts-speed 等，默认声音 female-shaonv、模型 speech-02-hd。
凭证：TTS 需 MINIMAX_API_KEY（或 MINIMAX_TTS_API_KEY）；字幕需 MEDIAKIT_API_KEY（或 AI_MEDIAKIT_API_KEY、VOLCENGINE_MEDIAKIT_API_KEY）；本地上传需 R2_ACCESS_KEY_ID、R2_SECRET_ACCESS_KEY、R2_ACCOUNT_ID、R2_BUCKET、R2_PUBLIC_BASE_URL。环境文件按顺序加载，最近的 .env.r2 最后加载并覆盖全局 R2 默认值。
限制：AI MediaKit 只接受公开 HTTP/HTTPS 媒体 URL，本地文件必须先上传；API 语言目前仅简体中文与英文；单个媒体时长不超过 3 小时；不要打印 API 密钥或提交真实 .env.r2。