用途：将音频或视频转写为文字，可生成字幕文件。基于 WhisperX，支持多语言识别与词级时间戳对齐。
支持的输入格式：音频包括 MP3、WAV、FLAC、M4A、OGG 等；视频包括 MP4、MKV、MOV、AVI 等，视频会自动抽取音频。
使用方式：需 Python 3.12（uv 可自动管理）。先确认输入文件路径，然后选择模型大小（tiny、base、small、medium、large-v2）、语言（可自动检测，或指定 zh、en、ja 等）、是否需要词级时间戳、输出格式（txt、srt、vtt、json）以及输出路径（默认与输入文件同目录并同名）。随后运行脚本：uv run /path/to/skills/audio-transcribe/transcribe.py "INPUT_FILE" [OPTIONS]。常用参数：--model/-m 指定模型；--language/-l 指定语言；--no-align 跳过词级对齐；--no-vad 关闭 VAD 过滤；--output/-o 输出路径；--format/-f 输出格式。完成后会显示输出文件路径、内容预览以及总时长和分段数。
适用场景：为音视频生成字幕、整理访谈或会议录音、需要按词精确定位时间轴的字幕或结构化数据。
限制：首次运行需下载模型因而较慢，之后使用缓存；显存或内存不足时需改用更小模型；识别准确率偏低时可换更大模型或显式指定语言；出现时间跳变或段落缺失时可尝试关闭 VAD 过滤。