Zoom AI Services Scribe 是面向开发者的语音转写服务参考技能，用于把实时音频、用户上传的媒体文件或已存储的媒体转写成文本。该技能以背景知识和路由指引的形式组织，帮助在转写工作流中快速定位所需能力。
一、用途与模式 该服务提供三种处理方式：实时模式通过 WebSocket（wss://api.zoom.us/v2/aiservices/scribe/live）处理连续音频并返回分段转写事件；快速模式通过 POST /aiservices/scribe/transcribe 对一个文件做同步转写；批量模式通过 /aiservices/scribe/jobs 系列接口提交异步任务，并可通过轮询或 webhook 获取状态与逐文件结果。
二、主要能力与端点 批量相关端点包括：创建任务 POST /aiservices/scribe/jobs、列出任务 GET /aiservices/scribe/jobs、查看任务 GET /aiservices/scribe/jobs/{jobId}、取消任务 DELETE /aiservices/scribe/jobs/{jobId}、查看逐文件结果 GET /aiservices/scribe/jobs/{jobId}/files 及单个文件结果 GET /aiservices/scribe/jobs/{jobId}/files/{fileId}。
三、典型使用方式 核心流程为：获取 Build-platform 凭证并生成 HS256 JWT；按场景选择实时、快速或批量模式；打开 Live WebSocket 或提交 Fast/Batch 请求；处理实时事件、同步响应或批量轮询/webhook；最后持久化并后处理转写 JSON。实时模式需从可信后端连接，使用 live-asr WebSocket 子协议并在 Authorization 头携带 JWT，通过 session.update 配置会话，然后以约 100 毫秒帧发送 16 kHz 单声道 PCM16 小端二进制音频；控制消息为 JSON 文本，音频不要 Base64 编码或包进 JSON。浏览器客户端无法设置所需授权头，应经后端中继并注入 JWT。关闭时先停止音频，发送 session.close，继续读取最终事件直到 session.closed，再关闭连接。
四、适用场景 包括：用户上传单个录音后的按需转写；面向语音智能体、实时字幕和浏览器麦克风（经后端中继）的实时转写；对 S3 等存储中的通话归档做批量转写；由 webhook 驱动的 ETL 管道写入数据库或搜索索引；导出 Zoom 托管录制后重新转写；需要时间戳、声道分离和说话人提示的离线合规或质检流程。技能还给出与其他技能的串联方式，如转写后摘要、转写后翻译、结合 REST API 或 webhook 校验。
五、限制与注意事项 实时模式默认单次会话最长 60 分钟、无音频空闲超时 30 秒，并发限制取决于账户层级。快速模式正式限制为 100 MB 和 2 小时，但托管浏览器流程可能在上游响应返回前超时；资料记录了部署样例中约 17.2 MB、38.6 MB、59.2 MB MP4 的完成时间，并指出前端 504 而后端 200 属于超时竞态而非转写失败，建议托管界面采用异步请求加轮询包装，较大或不可预测的媒体优先使用批量模式。其他参数、配额与计费细节资料未提供，需参考官方文档。