前言¶
把一段录音变成可用的文本，看起来只是一次”转写”调用，实际落地时坑不少：本地 Whisper 跑长音频要切片和对齐，云端接口要管 key 和配额，导出格式要能进剪辑软件或字幕工具。下面介绍的这个 Skill 尝试把这些事收拢到一条链路里：本地优先用 whisperX 处理，本地跑不通时兜底走 OpenAI 或 DashScope 云端，输出带时间戳和说话人标注的 srt/vtt/txt，并预留了衔接会议纪要、访谈洞察等下游 skill 的位置。
这是什么¶
这是 SkillHub 上的一个第三方 Skill，坐标 @org-vc3t81nj/asr-transcribe，名称为 ASR语音转写，由”博维管理咨询”发布，来源标记为 enterprise，分类为 design-media，当前版本 1.1.1。它解决的问题是：给 Agent 一个录音或语音文件，让它转写出结构化文本，而不是只返回一段没有时间信息的纯文本。
核心功能¶
依据 SkillHub 页面的简介，这个 Skill 的能力边界如下：
- 输入是录音或语音文件，做语音转写（ASR）。
- 转写策略是本地优先，首选 whisperX；本地不可用时云端兜底，兜底通道为 OpenAI 或 DashScope。
- 输出不是纯文本，而是带时间戳和说话人标注的 srt、vtt 或 txt 格式，可直接用于字幕、剪辑或后续分析。
- 定位是”衔接型” Skill，说明其输出被设计成可以喂给会议纪要、访谈洞察等下游 Skill，而不是一个孤立的转写工具。
安装与启用¶
已抓取的资料中没有包含官方的安装命令和配置字段，本节不臆造命令。按 SkillHub 的通用格式，启用一个 Skill 通常需要在宿主工具（Cursor / Codex CLI / Claude Code 等）中注册坐标，该 Skill 的坐标如下，具体安装命令建议打开官方页面按页面指引执行：
@org-vc3t81nj/asr-transcribe
需要留意的一个配置信号是：Skill 标签里标了 requires_api_key=false。这与”云端兜底（OpenAI/DashScope）”的表述存在表面张力——如果实际要走云端通道，通常仍需相应平台的 API key。建议启用前按官方页面说明确认是否需要配置 key，再决定兜底通道是否可用。
典型用法¶
已抓取的资料未提供官方的可复现调用示例，本节只按简介描述调用路径，不编写未经核实的示例代码。
按简介推断，一次典型调用是：向 Agent 提供音频文件路径或音频数据，指明期望的输出格式（srt/vtt/txt），Skill 先尝试本地 whisperX 转写，失败或不满足条件时转云端兜底，最终返回带时间戳和说话人标注的结果。若要衔接会议纪要类下游 Skill，则应把转写结果按下游 Skill 约定的格式传给它，而不是直接落盘了事。
适用场景与注意¶
适合的场景：需要把会议录音、访谈音频批量转成带说话人区分和时间轴的文本，再交给下游做纪要或洞察的场景；对输出格式有明确要求（srt/vtt/txt）的字幕或剪辑流程。
需要注意的几点：
- 本地 whisperX 对音频质量、语种和说话人数量敏感，效果取决于具体环境，资料中没有给出可核实的精度数据，建议自行试一段真实音频后再上量。
- 云端兜底依赖 OpenAI 或 DashScope 的可用性与配额，
requires_api_key=false的标签不等于完全无需配置，见上一节。 - 页面显示的评分为 100000、下载 1180、安装 0，这些数字仅说明其曝光情况，不代表转写质量。
- 说话人标注能力是否在所有音频类型上都稳定，资料没有给出细节，建议先用两人对话的清晰录音验证。
结尾¶
这个 Skill 的价值在于把”本地 whisperX + 云端兜底 + 带时间戳和说话人标注的输出 + 下游衔接”这条链路打包成一个可直接调用的单元，省去自己拼装转写流程的成本。官方地址：https://api.skillhub.cn/org-vc3t81nj/asr-transcribe ，页面地址：https://www.skillhub.cn/skills/org-vc3t81nj/asr-transcribe 。
