用途：把各类平台自动生成的原始字幕（Zoom、YouTube、Teams、Google Meet、Otter.ai 等）清理并重建成连贯、可读的逐字稿，供人阅读或交给后续技能（如 lecture-alchemist）使用。核心原则是零内容丢失：只删噪声，不删内容。
主要能力：
- 去噪：移除时间戳、重复说话人标签、填充词（um、uh、basically、right?、you know）、技术性打断（“能听到吗”“我共享一下屏幕”）以及重连产生的重复句。
- 保留：每个教学点、代码引用、提问、回答、有价值的题外话、人名、URL、命令和技术术语。
- 智能纠错：依据领域上下文修正常见误识别，如“lowest function”→“loss function”（AI/ML）、“wait”→“weight”“epic”→“epoch”“by Torch”→“PyTorch”（训练）、“know JS”→“Node.js”、“react”→“React”（WebDev）。不确定时保留原文并标注 [unclear: "原文"]。
- 说话人处理：识别说话人、规范化名称（如 [rishabh]→Rishabh:），仅在自然对话切换处标注；单人讲座初次识别后省略标签；问答清楚标注 Student: 与 Instructor:。
- 支持输入格式：Zoom 字幕 txt、YouTube vtt/srt、Otter.ai、Teams 时间戳块及混合原始粘贴，自动检测并清理。
- 处理步骤：去噪→合并碎片句→去填充词→纠错→去技术打断→按主题分段→插入 --- 分节→规范化问答→添加元数据头。
- 输出格式：含标题、Speaker(s)、Estimated Duration、Domain、Cleaning Notes 的头部，随后是干净段落，并在结尾生成 Topic Inventory（概念、术语、代码/命令、问答、人名资源、纠错表与统计），作为防丢失清单传递给下游。另有关键主题转换处的隐藏时间戳锚点。
- 质量清单：逐项核对是否覆盖全部教学点、清单完整、纠错有据、不确定项标注、填充词去除不损义、句句正确合并、问答分离、打断移除、锚点到位、行文自然。
使用方式：输入原始字幕文本，按上述流程处理并输出干净逐字稿与主题清单。该技能是讲座处理流程的第一阶段：transcribe-refiner → lecture-alchemist → concept-cartographer → obsidian-markdown。面向学习者的最终笔记需做可读性净化（不含内联 [source: ...] 标签），发布命名遵循 <Domain> Class <NN> [DD/MM/YYYY] - <Topic>，文件名 <DomainFile> Class <NN> [DD-MM-YYYY] - <Topic>.md。
限制：资料未提供具体调用命令、安装方式、收费或平台信息，暂未提供。纠错依赖领域上下文，不确定的更正会保留并标注，可能仍需人工复核。