audio-transcript-skill
Manifest validSkill that transcribes local audio files into a timestamped transcript and an interactive two-column minutes page, with optional speaker separation. Transcription uses mlx-whisper in a Python 3.11 env
录音转写 · Audio Transcript Skill
本仓库提供 DSH 插件版和 WorkBuddy 技能包。DSH 插件注册技能名
audio-transcript;WorkBuddy 版使用@skill:"录音转写"。两者共用转写与渲染脚本。
把一段录音变成能点着回听的交互纪要,而不是一段躺在 txt 里的流水文字。
输入 m4a / mp3 / wav,输出:
- 带时间戳的对话稿(可选说话人分离)
- 一个双栏阅读器:左栏结构化纪要,右栏全文;点任意时间码跳到对应音频位置
- 六套皮肤可换,深浅都有
- 页内可全文搜索、按说话人筛选、导出 Word、复制文字
纯本地转写(Apple Silicon 上 mlx-whisper 约 4 倍实时),不需要联网、不需要上传音频。

为什么不是「转写完就完了」
转写只解决「听不清」,真正花时间的是把录音变成能被别人读的东西。这个包把后半段做完了:
| 环节 | 通常做法 | 这里 |
|---|---|---|
| 定位一句话 | 拖进度条猜位置 | 点时间码直接跳到那一秒 |
| 找某个话题 | Ctrl+F 翻全文 | 左栏目录 + 全文搜索双向高亮 |
| 给同事看 | 截图 + 手打要点 | 导出 Word,纪要 + 全文两档可选 |
| 长录音回听 | 从头听 | 节奏条显示哪里话密,可按说话人筛选 |
| 现场确认 | 会后整理 | record.py 边录边转,实时字幕 |
在 DSH 中使用
通过 DSH 插件管理器安装本仓库的插件 bundle。启用后技能名为 audio-transcript;技能资源随插件提供,无需手动复制到 skills 目录。详见 DSH 版说明。
转写链路依赖按 requirements.txt 自备,首次使用模型可能需要下载;渲染器使用 Python 标准库。插件包包含 MIT 许可证。
不用 DSH 也没关系,下面的命令行流程用的是同一套脚本。
在 WorkBuddy 中使用
- 从 Releases 下载 WorkBuddy 版压缩包,解压出
录音转写/文件夹。 - 把整个文件夹放进当前 profile 的
skills目录,重新加载技能后即可调用。 - 转写链路依赖按
requirements.txt自备;渲染器只用系统python3,无需额外安装。 - 压缩包内不含
LICENSE,授权见仓库根目录LICENSE(MIT),转发时请一并附上。
不用 WorkBuddy 也没关系,下面的命令行流程用的是同一套脚本。
快速开始
# 1. 转写(需要装有 mlx-whisper 的 Python 3.11,下文记作 <PY>)
<PY> scripts/transcribe.py 录音.m4a --model medium --lang zh --srt --md
# 2. 分离说话人(可选)
<PY> scripts/diarize.py 录音.m4a --min-speakers 1 --max-speakers 4
# 3. 人工校订,存成 <名>.整理稿.txt,每行 [mm:ss] 说话人:正文
# 4. 渲染双栏纪要(系统 python3 即可,纯标准库)
python3 scripts/render_split.py \
--content 渲染输入/内容.json \
--transcript "整理稿.txt" \
--audio 录音.m4a \
--skin mist --check --out "纪要.html"
--check 会打印「段落 N 段 · 引用 M 处 · 断链 K 处」,断链必须为 0 —— 它检查每个可点时间码是否真的对得上一段转写。
六套皮肤
按各自实际视觉命名,不含任何第三方品牌名:
| id | 名称 | 视觉 |
|---|---|---|
mist | 灰蓝粉彩 | 灰蓝画布 + 粉彩分节 + 白芯卡片(默认) |
obsidian | 黑曜潮青 | 近黑底 + 骨白正文 + 薄荷强调 |
plain | 素白极简 | 纯白无卡 + 发丝线分栏 + 渐变标题 |
dark | 深蓝学术 | 深藏青 + 蓝图网格 + 宋体标题 |
neutral | 中性灰阶 | 中性灰 + 1px 描边 + 唯一强调色 |
default | 模板原生 | 无皮肤,模板自带样式 |
三套深色的对比:obsidian 是黑底薄荷色,dark 是深蓝藏青。
界面约定
- 双栏独立滚动:滚左栏不动右栏,反之亦然;不整页滚动。
- 分栏可拖动:中间分隔线拖动调宽度(26%–78%),双击复位;3px 阈值防误触。
- 播放条内嵌成卡片:永远在视口内,不用滚到底;带音量、静音、倍速、选本地音频。
- 倍速是下拉菜单:点开选 6 档之一,不是循环切换;选择记进 localStorage。
- 7 级字阶单一来源:
--fs-xxl26px 到--fs-xxs10.5px,模板与皮肤全部引用 token,不写死字号。
边界(请先读)
- 转写会错:同音字、专有名词、说话人归属都可能错。姓名与事实必须对照原音核验;不同录音的说话人编号不互通。
- 短音频更容易错:实测同一条 53 秒音频
medium做到 100% 汉字准确,但 10–18 秒的碎片片段会漂到繁体、出同音字错。长文本给足语境反而更稳。 medium通常够用:同一批素材large多花约 4.7 倍时间、零收益。方言重/串音多的音轨不要死磕模型,换引擎。- 不宣称准确率:本包没做第三方评测,不引用任何厂商的评测数字。
- 未在全新机器验证:本机跑通了,但「从零安装 → 转写成功」的端到端没在第二台机器验证过。
- 渲染器零依赖,转写链路需要你自备
mlx-whisper环境(见requirements.txt)。
仓库结构
├── SKILL.md 技能定义与完整用法
├── 安装说明.md 安装步骤与目录说明
├── requirements.txt 渲染零依赖 / 转写重依赖分列
├── 分发与合规说明.md 许可、第三方依赖、隐私与平台边界
├── 发布自查清单.md 发布前逐项核对
├── 能力全景与接入清单.md 五层能力表与启用矩阵
├── 设计参考-中性界面规范.md neutral 皮肤的取值依据
├── scripts/ 11 个脚本(转写 / 分离 / 两种渲染器 / 取流 / 规整 / 采集 / 引擎 / 理解 / 协作 / 回归)
├── templates/split/ 双栏版式 CSS / JS / 骨架
├── skins/ 六套皮肤 + previews/*.png
├── assets/ 导出 Word / 复制文字模块
└── examples/ 虚构示例 JSON(可直接跑通)
自检
python3 scripts/verify.py
115 项离线断言:脚本语法、示例数据、六套皮肤渲染断链、产物占位符与串字、CSS 内容无关化、预览图尺寸、词库与语言表、出稿与引擎守门。当前 115 PASS / 0 FAIL。
它不覆盖转写重依赖链路,也不做浏览器像素级比对。
素材来源
scripts/fetch_douyin_audio.py 可以从公开可播放的短视频分享链接取音频轨再转写。它不伪造签名、不绕过风控、不下载私密内容:用真实浏览器打开页面,读取页面自身已发出的带签名请求,只取声音。详见 分发与合规说明.md 第 5 节。
版本说明
当前仓库标注为 WorkBuddy 版,对应 Release v1.4.1-workbuddy。技能包源码与 v1.0.0 完全相同;这一版只补了平台标识、安装说明和可直接解压的压缩包,没有改动脚本、样式或模板。
完整的版本、安装与分发边界见 README-WorkBuddy.md,这份说明也随压缩包一起分发。
许可
MIT,见 LICENSE。第三方库与模型各有自己的许可,MIT 不覆盖它们。
Comments
Loading…
Similar plugins
by yuehancn
Read, write, convert and retime a subtitle track across SRT, WebVTT and ASS, audit it for over-long or unreadable cues, and transcribe audio through a configured speech recogniser.
★ 0
MIT
JavaScript
Oct 2, 2026
dsh plugin --profile web add dsh-tool-subtitleby AIcivilization
Turn English audiobooks (MP3) and documents into listening lessons: transcribe every sentence locally with the speech model DSH voice input already downloaded (about 241 MB, fetched on first use if mi
★ 0
MIT
JavaScript
Oct 22, 2026
dsh plugin --profile web add dsh-tingdongby nsswkj
Turns a streaming assistant reply into short blips, one per character at a configurable minimum spacing, for the reply text only, and keeps sounding when the window is minimized, covered, or in a back
★ 0
MIT
JavaScript
Oct 11, 2026
dsh plugin --profile web add dsh-typewriter-blipFully local push-to-talk voice input for macOS: hold a global hotkey, speak, release — transcription is pasted at your cursor. Local-first STT (Qwen3-ASR 0.6B 4bit on MLX/Metal by default, SenseVoice
★ 0
dsh plugin --profile web add voicetranserby CixiSVesper
Local audio understanding for DeepSeek Harness: transcription (whisper medium), rhythm, melody, chords, structure - six tools, fully offline. Needs a Python 3.10-3.12: point DSH at an existing environment (e.g. ComfyUI), or let the plugin create and install its own. Vocal separation runs UVR MDX-Net on onnxruntime, so torch is not required.
★ 35
MIT
Python
Nov 8, 2026
dsh plugin --profile web add dsh-soundtryby Sunshine334419520
MiniMax voice studio for DeepSeek Harness: clone a voice, preview it without triggering the per-voice fee, synthesize text to mp3, transcribe audio to text. Settings panel, 4 agent tools, local HTTP API.
★ 1
MIT
JavaScript
Nov 7, 2026
dsh plugin --profile web add dsh-minimax-voice