用途：在需要从音频获取词级时间戳时使用本技能，典型场景包括歌词对齐、判断剪辑安全的行边界，以及为视频压制字幕生成字幕源时间码。在音乐视频工作流中，本技能运行于对齐（align）阶段。
前置条件：使用前需先安装并加载相关技能，可通过 npx skills add PrunaAI/pruna-skills@generation-diversity -y 与 npx skills add PrunaAI/pruna-skills@pruna-api -y 分别安装，或使用 npx skills add PrunaAI/pruna-skills@pruna -y 一次性安装整套。需配置环境变量 export REPLICATE_API_TOKEN=r8_...，注意此处使用的是 Replicate 凭证，而非 PRUNA_API_KEY。生成前的首次回复中应先用反引号点名技能名、确认凭证，然后询问所需输入。
主要输入：必填 audio_file（HTTPS URL，仓库辅助脚本可上传本地文件）。常用可选字段包括 language（ISO 代码，如 en）、align_output（设为 true 以获得词级时间戳，做剪辑对齐时必需）、initial_prompt（填入开头几行歌词，可提升说唱或演唱的识别效果）、diarization（用于多人对唱时标注说话人）。
使用方式：建议使用仓库提供的辅助脚本，脚本会上传本地音频并输出 JSON 与 SRT 文件。调用时传入 --song 指定歌曲文件、--out 指定转写输出路径，随后可再以 --cuts 与 --transcript 完成后续处理。具体阶段流程以技能文档中的阶段表为准。
适用场景与限制：适合歌词同步、字幕时间码准备等任务。不适合生成原创歌曲（应改用 music-2.5）、语音旁白或配音（应改用 gemini-3.1-flash-tts）、以及已渲染片段的拼接与字幕压制（应改用 video-editing）。其余模型参数、价格与平台细节暂未提供。