用途
此技能可自動將音訊轉錄為文字,並輸出專業的 Markdown 文件,同時提取豐富的技術元數據(說話者、時間戳、語言、檔案大小、時長),並產生結構化的會議記錄和執行摘要。它使用 Faster-Whisper 或 Whisper,無需任何配置,可在所有專案中通用,無需硬編碼路徑或 API 金鑰。
此技能靈感來自 Plaud 等工具,可將原始音訊錄音轉化為可操作的文檔,非常適合會議、訪談、講座和內容分析。
使用時機
在以下情況呼叫此技能:
- 使用者需要將音訊/視訊檔案轉錄為文字
- 使用者希望從錄音中自動產生會議記錄
- 使用者需要在對話中進行說話者辨識(日誌化)
- 使用者需要字幕/隱藏式字幕(SRT、VTT 格式)
- 使用者希望對較長音訊內容產生執行摘要
- 使用者提出類似「轉錄這個音訊」、「將音訊轉換為文字」、「從錄音產生會議記錄」的要求
- 使用者擁有常見格式的音訊檔案(MP3、WAV、M4A、OGG、FLAC、WEBM)
工作流程
步驟 0:發現(自動偵測轉錄工具)
目標: 辨識可用的轉錄引擎,無需使用者設定。
操作:
執行偵測指令以尋找已安裝的工具:
# 檢查 Faster-Whisper(首選 - 快 4-5 倍)
if python3 -c "import faster_whisper" 2>/dev/null; then
TRANSCRIBER="faster-whisper"
echo "✅ 偵測到 Faster-Whisper(已最佳化)"
# 備用方案:原始 Whisper
elif python3 -c "import whisper" 2>/dev/null; then
TRANSCRIBER="whisper"
echo "✅ 偵測到 OpenAI Whisper"
else
TRANSCRIBER="none"
echo "⚠️ 未找到轉錄工具"
fi
# 檢查 ffmpeg(音訊格式轉換)
if command -v ffmpeg &>/dev/null; then
echo "✅ ffmpeg 可用(格式轉換已啟用)"
else
echo "ℹ️ 未找到 ffmpeg(格式支援有限)"
fi
如果未找到轉錄工具:
提供使用提供的腳本進行自動安裝:
echo "⚠️ 未找到轉錄工具"
echo ""
echo "🔧 自動安裝依賴項?(建議)"
read -p "執行安裝腳本? [Y/n]: " AUTO_INSTALL
if [[ ! "$AUTO_INSTALL" =~ ^[Nn] ]]; then
# 取得技能目錄(適用於 repo 和符號連結安裝)
SKILL_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
# 執行安裝腳本
if [[ -f "$SKILL_DIR/scripts/install-requirements.sh" ]]; then
bash "$SKILL_DIR/scripts/install-requirements.sh"
else
echo "❌ 找不到安裝腳本"
echo ""
echo "📦 手動安裝:"
echo " pip install faster-whisper # 建議"
echo " pip install openai-whisper # 替代方案"
echo " brew install ffmpeg # 選擇性(macOS)"
exit 1
fi
# 確認安裝成功
if python3 -c "import faster_whisper" 2>/dev/null || python3 -c "import whisper" 2>/dev/null; then
echo "✅ 安裝成功!繼續進行轉錄..."
else
echo "❌ 安裝失敗。請手動安裝。"
exit 1
fi
else
echo ""
echo "📦 需要手動安裝:"
echo ""
echo "建議(最快):"
echo " pip install faster-whisper"
echo ""
echo "替代方案(原始):"
echo " pip install openai-whisper"
echo ""
echo "選擇性(格式轉換):"
echo " brew install ffmpeg # macOS"
echo " apt install ffmpeg # Linux"
echo ""
exit 1
fi
這可確保使用者只需一次確認即可安裝依賴項,或根據偏好選擇手動安裝。
如果找到轉錄工具:
繼續執行步驟 0b(CLI 偵測)。
步驟 1:驗證音訊檔案
目標: 確認檔案存在、檢查格式並提取元數據。
操作:
-
接受來自使用者的檔案路徑或 URL:
- 本地檔案:
meeting.mp3 - URL:
https://example.com/audio.mp3(下載到臨時目錄)
- 本地檔案:
-
確認檔案存在:
if [[ ! -f "$AUDIO_FILE" ]]; then
echo "❌ 找不到檔案:$AUDIO_FILE"
exit 1
fi
- 使用 ffprobe 或檔案工具提取元數據:
# 取得檔案大小
FILE_SIZE=$(du -h "$AUDIO_FILE" | cut -f1)
# 使用 ffprobe 取得時長和格式
DURATION=$(ffprobe -v error -show_entries format=duration \
-of default=noprint_wrappers=1:nokey=1 "$AUDIO_FILE" 2>/dev/null)
FORMAT=$(ffprobe -v error -select_streams a:0 -show_entries \
stream=codec_name -of default=noprint_wrappers=1:nokey=1 "$AUDIO_FILE" 2>/dev/null)
# 將時長轉換為 HH:MM:SS
DURATION_HMS=$(date -u -r "$DURATION" +%H:%M:%S 2>/dev/null || echo "未知")
- 檢查檔案大小(如果檔案過大,對雲端 API 發出警告):
SIZE_MB=$(du -m "$AUDIO_FILE" | cut -f1)
if [[ $SIZE_MB -gt 25 ]]; then
echo "⚠️ 大檔案 ($FILE_SIZE) - 處理可能需要數分鐘"
fi
- 驗證格式(支援:MP3、WAV、M4A、OGG、FLAC、WEBM):
EXTENSION="${AUDIO_FILE##*.}"
SUPPORTED_FORMATS=("mp3" "wav" "m4a" "ogg" "flac" "webm" "mp4")
if [[ ! " ${SUPPORTED_FORMATS[@]} " =~ " ${EXTENSION,,} " ]]; then
echo "⚠️ 不支援的格式:$EXTENSION"
if command -v ffmpeg &>/dev/null; then
echo "🔄 正在轉換為 WAV..."
ffmpeg -i "$AUDIO_FILE" -ar 16000 "${AUDIO_FILE%.*}.wav" -y
AUDIO_FILE="${AUDIO_FILE%.*}.wav"
else
echo "❌ 安裝 ffmpeg 以轉換格式:brew install ffmpeg"
exit 1
fi
fi
步驟 3:產生 Markdown 輸出
目標: 建立結構化的 Markdown,包含元數據、轉錄文字、會議記錄和摘要。
輸出模板:
# 音訊轉錄報告
## 📊 元數據
| 欄位 | 值 |
|-------|-------|
| **檔案名稱** | {filename} |
| **檔案大小** | {file_size} |
| **時長** | {duration_hms} |
| **語言** | {language} ({language_code}) |
| **處理日期** | {process_date} |
| **已辨識說話者** | {num_speakers} |
| **轉錄引擎** | {engine} (model: {model}) |
## 📋 會議記錄
### 與會者
- {speaker_1}
- {speaker_2}
- ...
### 討論主題
1. **{topic_1}** ({timestamp})
- {key_point_1}
- {key_point_2}
2. **{topic_2}** ({timestamp})
- {key_point_1}
### 做出的決定
- ✅ {decision_1}
- ✅ {decision_2}
### 待辦事項
- [ ] **{action_1}** - 指派給:{speaker} - 截止日期:{date_if_mentioned}
- [ ] **{action_2}** - 指派給:{speaker}
*由 audio-transcriber 技能 v1.0.0 產生*
*轉錄引擎:{engine} | 處理時間:{elapsed_time}s*
實作:
使用 Python 或 bash 搭配 AI 模型(Claude/GPT)進行智慧摘要:
def generate_meeting_minutes(segments):
"""從轉錄文字中提取主題、決定、待辦事項。"""
# 按主題分組段落(按時間戳進行簡單聚類)
topics = cluster_by_topic(segments)
# 辨識待辦事項(關鍵字:「should」、「will」、「need to」、「action」)
action_items = extract_action_items(segments)
# 辨識決定(關鍵字:「decided」、「agreed」、「approved」)
decisions = extract_decisions(segments)
return {
"topics": topics,
"decisions": decisions,
"action_items": action_items
}
def generate_summary(segments, max_paragraphs=5):
"""使用 AI(透過 API 或本地模型的 Claude/GPT)建立執行摘要。"""
full_text = " ".join([s["text"] for s in segments])
# 使用密度鏈方法(來自提示工程框架)
summary_prompt = f"""
用 {max_paragraphs} 個簡潔段落總結以下轉錄文字。
著重於關鍵主題、決定和待辦事項。
轉錄文字:
{full_text}
"""
# 呼叫 AI 模型(佔位符 - 使用者可以整合 Claude API 或使用本地模型)
summary = call_ai_model(summary_prompt)
return summary
輸出檔案命名:
# v1.1.0:使用時間戳以避免覆寫
TIMESTAMP=$(date +%Y%m%d-%H%M%S)
TRANSCRIPT_FILE="transcript-${TIMESTAMP}.md"
ATA_FILE="ata-${TIMESTAMP}.md"
echo "$TRANSCRIPT_CONTENT" > "$TRANSCRIPT_FILE"
echo "✅ 轉錄稿已儲存:$TRANSCRIPT_FILE"
if [[ -n "$ATA_CONTENT" ]]; then
echo "$ATA_CONTENT" > "$ATA_FILE"
echo "✅ 會議記錄已儲存:$ATA_FILE"
fi
情境 A:使用者提供自訂提示
工作流程:
-
顯示使用者的提示:
📝 使用者提供的提示: ┌──────────────────────────────────┐ │ [使用者的提示預覽] │ └──────────────────────────────────┘ -
使用 prompt-engineer 自動改善(如果可用):
🔧 正在使用 prompt-engineer 改善提示... [呼叫:gh copilot -p "改善這個提示:{user_prompt}"] -
顯示兩個版本:
✨ 改善後的版本: ┌──────────────────────────────────┐ │ 角色:你是一名文件撰寫者... │ │ 指示:轉換... │ │ 步驟:1) ... 2) ... 3) ... │ │ 最終目標:... │ └──────────────────────────────────┘ 📝 原始版本: ┌──────────────────────────────────┐ │ [使用者的原始提示] │ └──────────────────────────────────┘ -
詢問使用哪個:
💡 使用改善後的版本? [s/n] (預設:s): -
使用所選提示進行處理:
- 如果「s」:使用改善後的版本
- 如果「n」:使用原始版本
LLM 處理(兩種情境)
提示最終確定後:
from rich.progress import Progress, SpinnerColumn, TextColumn
def process_with_llm(transcript, prompt, cli_tool='claude'):
full_prompt = f"{prompt}\n\n---\n\n轉錄文字:\n\n{transcript}"
with Progress(
SpinnerColumn(),
TextColumn("[progress.description]{task.description}"),
transient=True
) as progress:
progress.add_task(
description=f"🤖 正在使用 {cli_tool} 處理...",
total=None
)
if cli_tool == 'claude':
result = subprocess.run(
['claude', '-'],
input=full_prompt,
capture_output=True,
text=True,
timeout=300 # 5 minutes
)
elif cli_tool == 'gh-copilot':
result = subprocess.run(
['gh', 'copilot', 'suggest', '-t', 'shell', full_prompt],
capture_output=True,
text=True,
timeout=300
)
if result.returncode == 0:
return result.stdout.strip()
else:
return None
進度輸出:
🤖 正在使用 claude 處理... ⠋
[完成後:]
✅ 會議記錄成功產生!
最終輸出
成功(兩個檔案):
💾 正在儲存檔案...
✅ 已建立的檔案:
- transcript-20260203-023045.md (純轉錄稿)
- ata-20260203-023045.md (經 LLM 處理)
🧹 已移除臨時檔案:metadata.json, transcription.json
✅ 完成!總時間:3m 45s
僅轉錄稿(使用者拒絕 LLM):
💾 正在儲存檔案...
✅ 已建立的檔案:
- transcript-20260203-023045.md
ℹ️ 未產生會議記錄(使用者拒絕 LLM 處理)
🧹 已移除臨時檔案:metadata.json, transcription.json
✅ 完成!
步驟 5:顯示結果摘要
目標: 顯示完成狀態和後續步驟。
輸出:
echo ""
echo "✅ 轉錄完成!"
echo ""
echo "📊 結果:"
echo " 檔案:$OUTPUT_FILE"
echo " 語言:$LANGUAGE"
echo " 時長:$DURATION_HMS"
echo " 說話者:$NUM_SPEAKERS"
echo " 字數:$WORD_COUNT"
echo " 處理時間:${ELAPSED_TIME}s"
echo ""
echo "📝 已產生:"
echo " - $OUTPUT_FILE (Markdown 報告)"
[如果選擇性格式:]
echo " - ${OUTPUT_FILE%.*}.srt (字幕)"
echo " - ${OUTPUT_FILE%.*}.json (結構化資料)"
echo ""
echo "🎯 後續步驟:"
echo " 1. 檢閱會議記錄和待辦事項"
echo " 2. 與與會者分享報告"
echo " 3. 追蹤待辦事項直至完成"
使用範例
範例 1:基本轉錄
使用者輸入:
copilot> 將音訊轉錄為 Markdown:meeting-2026-02-02.mp3
技能輸出:
✅ 偵測到 Faster-Whisper(已最佳化)
✅ ffmpeg 可用(格式轉換已啟用)
📂 檔案:meeting-2026-02-02.mp3
📊 大小:12.3 MB
⏱️ 時長:00:45:32
🎙️ 正在處理...
[████████████████████] 100%
✅ 已偵測語言:葡萄牙文 (pt-BR)
👥 已辨識說話者:4
📝 正在產生 Markdown 輸出...
✅ 轉錄完成!
📊 結果:
檔案:meeting-2026-02-02.md
語言:pt-BR
時長:00:45:32
說話者:4
字數:6,842
處理時間:127s
📝 已產生:
- meeting-2026-02-02.md (Markdown 報告)
🎯 後續步驟:
1. 檢閱會議記錄和待辦事項
2. 與與會者分享報告
3. 追蹤待辦事項直至完成
範例 3:批次處理
使用者輸入:
copilot> 轉錄這些音訊檔案:recordings/*.mp3
技能輸出:
📦 批次模式:找到 5 個檔案
1. team-standup.mp3
2. client-call.mp3
3. brainstorm-session.mp3
4. product-demo.mp3
5. retrospective.mp3
🎙️ 正在批次處理...
[1/5] team-standup.mp3 ✅ (2m 34s)
[2/5] client-call.mp3 ✅ (15m 12s)
[3/5] brainstorm-session.mp3 ✅ (8m 47s)
[4/5] product-demo.mp3 ✅ (22m 03s)
[5/5] retrospective.mp3 ✅ (11m 28s)
✅ 批次完成!
📝 已產生 5 份 Markdown 報告
⏱️ 總處理時間:6m 15s
範例 5:大檔案警告
使用者輸入:
copilot> 將音訊轉錄為 Markdown:conference-keynote.mp3
技能輸出:
✅ 偵測到 Faster-Whisper(已最佳化)
📂 檔案:conference-keynote.mp3
📊 大小:87.2 MB
⏱️ 時長:02:15:47
⚠️ 大檔案 (87.2 MB) - 處理可能需要數分鐘
繼續? [Y/n]:
使用者: Y
🎙️ 正在處理... (這可能需要 10-15 分鐘)
[████░░░░░░░░░░░░░░░░] 20% - 預計剩餘時間:12m
...(為翻譯進行截斷)