FunASR 语音转文字

本 skill 提供本地语音识别服务，将音频或视频文件转换为结构化的 Markdown 文档。

功能概述

•支持多种音视频格式（mp4、mov、mp3、wav、m4a、flac 等）
•自动生成时间戳
•支持说话人分离（diarization）
•输出 Markdown 格式，便于阅读和编辑

使用流程

首次使用：安装依赖和下载模型

运行安装脚本完成环境配置：

bash

python scripts/setup.py

安装脚本会自动：

•检查 Python 版本（需要 >= 3.8）
•安装依赖包（FastAPI、Uvicorn、FunASR、PyTorch）
•下载 ASR 模型到 ~/.cache/modelscope/hub/models/

验证安装状态：

bash

python scripts/setup.py --verify

启动转录服务

bash

python scripts/server.py

服务默认运行在 http://127.0.0.1:8765

智能特性：

•自动启动：首次请求时自动加载模型
•空闲关闭：默认 10 分钟无活动后自动关闭以节约资源
•可配置超时：使用 --idle-timeout 参数自定义空闲超时时间（秒）

服务生命周期：

•启动后进入空闲监控状态
•接收到请求时自动加载模型并执行转录
•每次请求都会重置空闲计时器
•连续 10 分钟无请求时自动关闭
•下次请求时重新启动

重要提示：

•⚠️ 请勿手动关闭服务 - 转录完成后让服务继续运行，它会自动在 10 分钟无活动后关闭
•这样可以连续转录多个文件，无需重复启动服务
•如需立即关闭服务，按 Ctrl+C 或等待 10 分钟空闲超时

示例：自定义 30 分钟空闲超时

bash

python scripts/server.py --idle-timeout 1800

执行转录

使用客户端脚本转录文件：

bash

# 转录单个文件
python scripts/transcribe.py /path/to/audio.mp3

# 指定输出路径
python scripts/transcribe.py /path/to/video.mp4 -o transcript.md

# 启用说话人分离
python scripts/transcribe.py /path/to/meeting.m4a --diarize

# 批量转录目录
python scripts/transcribe.py /path/to/media_folder/

AI 智能总结（Claude Code 环境）

转录完成后，可以生成 AI 智能总结，充分利用 Claude Code 的原生 AI 能力。

工作流程：

•执行转录后，脚本会自动准备总结提示词
•将提示词发送给 Claude AI 生成结构化总结
•将 Claude 返回的 JSON 结果粘贴回脚本
•自动将总结注入到 Markdown 文件

使用方法：

bash

# 转录单个文件（会自动提示是否生成总结）
python scripts/transcribe.py /path/to/audio.mp3

# 启用说话人分离并生成总结
python scripts/transcribe.py /path/to/meeting.m4a --diarize --summary

总结内容结构：

•全文总结 - 400+ 字，包含背景、问题、关键事实
•发言人总结 - 每个发言人的观点、态度和贡献
•重点内容 - 6-10 条核心要点
•关键词 - 5-8 个关键术语

提示词特点：

•专门针对中文口语化对话优化
•保留发言人上下文和对话流程
•结构化 JSON 输出便于解析和格式化

详细文档请查看：<references/api-reference.md>

通过 HTTP API 调用

检查服务状态：

bash

curl http://127.0.0.1:8765/health

使用 curl 直接调用 API：

bash

curl -X POST http://127.0.0.1:8765/transcribe \
  -H "Content-Type: application/json" \
  -d '{"file_path": "/path/to/audio.mp3"}'

API 文档（Swagger UI）：

FastAPI 自动生成交互式 API 文档，访问：http://127.0.0.1:8765/docs

可在此页面中：

•查看所有 API 端点
•在线测试 API（不需要 curl）
•查看请求/响应格式
•查看详细参数说明

响应示例（健康检查）：

json

{
  "status": "ok",
  "service": "FunASR Transcribe",
  "uptime": 300,
  "idle_time": 120
}

返回字段说明：

•uptime：服务运行时间（秒）
•idle_time：当前空闲时间（秒）

完整 API 文档

详细的 API 参考文档请查看：<references/api-reference.md>

包含：

•所有 API 端点的完整规范
•请求/响应格式详解
•参数说明和示例
•完整的 curl 命令示例

脚本说明

脚本	用途
`scripts/setup.py`	一键安装依赖和下载模型
`scripts/server.py`	启动 HTTP API 服务
`scripts/transcribe.py`	命令行客户端

配置文件

文件	说明
`assets/models.json`	ASR 模型配置清单
`assets/requirements.txt`	Python 依赖清单

输出格式

转录结果保存为 Markdown 文件，包含：

•标题 - 文件名（无转录时间戳）
•转录内容 - 格式：发言人N HH:MM:SS 换行 内容
•AI 摘要（可选）- 包含全文总结、发言人总结、重点内容、关键词

示例格式：

markdown

# 转录：filename.mp4

## 转录内容

发言人1 00:00:01
这是第一句话的内容。

发言人2 00:00:05
这是第二句话的内容。

模型信息

模型存储在 ModelScope 默认缓存目录 ~/.cache/modelscope/hub/models/：

•ASR 主模型 (Paraformer) - 867MB
•VAD 模型 - 4MB
•标点模型 - 283MB
•说话人分离模型 - 28MB

故障排除

服务启动失败时，运行验证命令检查安装状态：

bash

python scripts/setup.py --verify

重新下载模型：

bash

python scripts/setup.py --skip-deps