用途：把视频或音频转成带时间戳与说话人标签的文字稿，适用于直播回放、会议录音、播客等场景。
依赖：ffmpeg 用于从视频提取音频；whisperX（pip install whisperx）负责识别、对齐与说话人分离；启用说话人分离需设置环境变量 HF_TOKEN。它直接调用 whisperX Python API，不使用本地 9876 端口的 Whisper HTTP server。
主要能力：脚本自动判断输入，音频直接转写，视频先提取为 16kHz mono WAV；输出两个文件——<name>.txt 按说话人分段并带 [MM:SS] 时间戳，<name>.json 为完整 whisperX 输出含词级时间戳。关键参数：--model（默认 large-v3，最准最慢）、--language（默认 zh）、--diarize（默认关闭，启用需 HF_TOKEN）、--device（默认 cpu，可选 cuda）、--batch-size（默认 8，内存不足可调低）。
使用方式：长音频必须用 nohup 后台执行，避免会话超时，例如 nohup python3 {skillDir}/scripts/transcribe.py /path/to/video.mp4 --output-dir /path/to/output --output-name transcript --diarize > /tmp/transcribe.log 2>&1 &。可先用 ffprobe -v error -show_entries format=duration -of default=noprint_wrappers=1:nokey=1 <file> 获取时长；文件名含 CJK 字符时先建 symlink，如 ln -sf "<原路径>" /tmp/input-video.mp4，避免编码问题。长任务可用 cron watcher 每 5 分钟查进程状态。完成后可将 .txt 复制到 workspace/transcripts/ 并按 <原始文件名>.txt 命名。
限制与注意：说话人分离依赖 pyannote，首次运行需下载约 1GB 模型；CPU 转写占用 300-400%，避免并行重负载；性能参考为 CPU（M 系列）下 30 分钟约 15 分钟、1 小时约 30 分钟、2 小时约 60 分钟。关于收费、平台支持等资料暂未提供。