用途 该技能用于把多说话人音频转写为结构化 Markdown，适合会议、播客、访谈等场景。输出包含说话人标签与时间戳的 <stem>-transcript.md，以及 Phase 1 原始输出 <stem>_raw_transcript.json（用于恢复或分析）。
主要能力
- 两类 ASR 引擎：FunASR（Paraformer / SenseVoice / Whisper，快且成本低，支持 GPU 或 CPU，99 种语言）与 MiMo-V2.5-ASR（小米 8B 模型，仅本地 GPU，在专有名词与语码转换上更强）。
- 语言预设：zh（默认，SeACo-Paraformer，中文 CER 1.95%，支持热词）、zh-basic（Paraformer-large，中文，无热词）、en（Paraformer-en）、auto（SenseVoiceSmall，自动检测 zh/en/ja/ko/yue，无热词）、whisper（Whisper-large-v3-turbo，99 种语言，无热词）、mimo（MiMo-V2.5-ASR，本地 8B，仅 GPU）。
- 所有预设均含说话人分离（CAM++）与 VAD（FSMN）。
- 支持热词偏置（仅 zh 预设）、参考文件辅助 LLM 纠错、说话人上下文、说话人性别检测（CAM++ 分类器）。
- 可选 LLM 清理（Phase 3）：支持 Bedrock、Anthropic、OpenAI，通过 --model 启用。
使用方式 环境搭建：AUTO_YES=1 bash $SCRIPTS/setup_env.sh（或强制 CPU：AUTO_YES=1 bash $SCRIPTS/setup_env.sh cpu）。脚本会为 FunASR 的谱聚类打补丁以提升 O(N²·k) 性能，否则超过约 1 小时的录音在说话人聚类时会长时间卡住。
转写示例： python3 $SCRIPTS/transcribe.py meeting.wav --lang zh --num-speakers 9 --hotwords hotwords.txt python3 $SCRIPTS/transcribe.py meeting.wav --lang en --speakers "Alice,Bob,Carol,Dave" python3 $SCRIPTS/transcribe.py meeting.wav --lang auto --num-speakers 6 python3 $SCRIPTS/transcribe.py meeting.wav --lang whisper --num-speakers 4 启用 LLM 清理：python3 $SCRIPTS/transcribe.py meeting.wav --lang zh --num-speakers 9 --hotwords hotwords.txt --provider bedrock --model us.anthropic.claude-sonnet-4-6 恢复中断：python3 $SCRIPTS/transcribe.py meeting.wav --skip-transcribe --model us.anthropic.claude-sonnet-4-6
说话人标签校验： python3 $SCRIPTS/verify_speakers.py podcast_raw_transcript.json --speakers "关羽,张飞" --speaker-context speaker-context.json --fix 随后 python3 $SCRIPTS/transcribe.py original.m4a --skip-transcribe --clean-cache 重新生成 Markdown。该脚本分析前 5 分钟（可用 --minutes 调整），自动区分播客（2 人，交换检测）与会议（N 人，全量重新分配）。
音频预处理 脚本会自动把输入音频转为 16kHz 单声道 FLAC 并校验无音频丢失。格式建议：FLAC（无损，默认最安全）、Opus（有损，长文件有截断风险）、WAV（无损但更大）、原始 M4A（可直接使用）。不要拆分长录音，拆分会导致说话人 ID 不一致。
MiMo-V2.5-ASR（可选，仅 GPU） --lang mimo 在 CUDA GPU 上本地运行小米 MiMo-V2.5-ASR，适用于评估 MiMo 与 Paraformer 在中文音频上的表现，或录音含大量语码转换、方言（吴语、粤语、闽南语、四川话）、歌词、稀有专有名词的场景。要求 CUDA ≥12.0 且 ≥20 GB 显存（16 GB 卡在推理时会 OOM）、Python 3.12、约 20 GB 权重一次性下载以及编译 flash-attn==2.7.4.post1（需 CUDA 工具包中的 nvcc，耗时 10–30 分钟）。安装：AUTO_YES=1 INSTALL_MIMO=1 MIMO_WEIGHTS_PATH=/mnt/models/hf bash $SCRIPTS/setup_env.sh。运行：python3 $SCRIPTS/transcribe.py podcast.m4a --lang mimo --num-speakers 2 --mimo-weights-path /mnt/models/hf。失败恢复：加 --resume-mimo。
适用场景 会议、播客、访谈的多说话人转写；需要说话人区分（如播客、会议）时应使用 zh、zh-basic、en 或 mimo，因为 auto 与 whisper 不输出逐句时间戳，无法做说话人分离。需要极致质量时，可同时提供 hotwords.txt、speaker-context.json 与 --reference 参考文档。
限制与注意事项
- auto 与 whisper 无逐句时间戳，说话人分离不可用。
- mimo 不支持热词偏置、无 CPU 回退，同 GPU 下比 Paraformer 慢（8B vs 约 0.3B），A100 上 RTF 约 0.1–0.2。
- 启用 LLM 清理（--model）时，转写片段会发送至外部 LLM 提供商（AWS Bedrock、Anthropic 或 OpenAI，取决于模型 ID）；可用 --skip-llm 或省略 --model 保持全本地。
- FunASR 的 CAM++ 可能合并声学相似的说话人，可用 --num-speakers、--hotwords、--speaker-context 改善。
- 资源受限机器处理长录音可能遇到执行超时或 OOM，可用 systemd-run/nohup 脱离超时、使用 swap 或 --lang zh-basic 减轻负载。
- 说话人性别检测默认启用，可用 --no-detect-gender 关闭以省去约 500 MB 模型下载与额外推理时间。
其他说明 --speakers 必须使用说话人真实姓名而非播客别名，该值会原样用作输出中的说话人标签；同时把真名与别名都加入 hotwords.txt。当同时提供 --speakers 与 --reference 时，脚本会在启动时检测该错误并打印 ACTION REQUIRED 块，提示建议的真名；看到该块应停止运行并在 Phase 3 前用修正后的 --speakers 重新调用，该警告不会中止流程。