用途：使用 Whisper AI 通过 transcribe-anything 将音频或视频转为文字，输入支持本地文件、YouTube URL 与麦克风，输出格式包括 SRT、VTT、纯文本和 JSON。
安装：pip install transcribe-anything。后端会在隔离的虚拟环境中自动安装。
用法：transcribe-anything audio.mp3；YouTube 链接直接传入 URL；可通过 --model、--lang、--device、--output_dir、--task、--hf_token、--initial_prompt 等选项控制。设备示例：--device cuda（NVIDIA）、--device mlx（Mac Apple Silicon）、--device groq（云 API）。说话人分离需 HuggingFace token 并使用 --device insane。
后端：cpu 最慢但通用；faster-whisper 跨平台较快；mlx 仅苹果芯片；insane 本地最快、需可选 HF token；groq 为云 API，需联网和 Groq API key。输出包括 .srt、.vtt、.txt、.json，insane 后端另有 speaker.json。
限制：说话人分离需要 HuggingFace 账户与 token、接受 pyannote/speaker-diarization-3.1 模型许可，且强烈建议 GPU。输入会按 schemas/input.schema.json 校验。长音频可分批或按静音切分处理。资料未提供价格、收费与平台细节。