前言¶
做音视频转录时常见的两条路都不太省心：自建 Whisper 类服务要自己管模型、GPU 和队列，用云厂商的语音接口要申请 Key、看配额、算费用。下面介绍的这个 Skill 走的是第三条路——在 Agent 里直接调用现成的工业级 ASR 模型，输入本地音频或视频，输出文字稿，用户不需要准备任何 API Key。
这是什么¶
「免费语音识别」是一个基于通用 SKILL.md 格式的社区技能，坐标 @user_01440017/free-speech-recognition，发布者 user_01440017，当前版本 1.0.7，来源标记为 community，SkillHub 分类 design-media。
它解决的问题很单一：把本地的音频或视频文件转成可读的文字稿。技能标签里明确写着 requires_api_key=false，也就是调用方不用填密钥，这一点和大多数接第三方模型的 Skill 不同。
背后调用的模型是 XingChenASR-V3.2-Ultra，托管在硅基流动 SiliconFlow 平台上。
核心能力¶
官方简介里给出的能力如下，均按原文转述：
- 将本地音视频转成文字，官方描述为「准确、流畅、易读的文字稿」。
- 支持中文、英文，以及 60 种方言的混合识别。
- 方言覆盖范围包括粤语、上海话、四川话、重庆话、北京话、天津话、东北方言、客家话、潮汕话、闽南方言等。
- 面向长音频转写场景，简介中提到的适用对象包括会议、采访、课程、客服、政务。
这里值得留意的是「混合识别」这一条。实际会议录音里往往中英夹杂，还可能中途换方言，如果按语言分段切分再分别识别，切分错误会直接传染到结果上。该 Skill 声称一次调用即可处理混合语种，这是它和分语言拼接方案的主要差异。
安装与启用¶
已抓取的官方资料中没有给出安装命令、目录路径或配置文件字段，因此这里不写未经核实的步骤。
可以确认的信息只有下面这些：
技能坐标：@user_01440017/free-speech-recognition
版本：1.0.7
来源：community
分类：design-media
标签：requires_api_key=false
启用方式与其它基于 SKILL.md 的 Skill 一致：在支持该格式的 Agent 环境中按上述坐标定位并加载技能，然后按技能声明的输入要求传入本地音视频文件的路径。是否需要重新下载模型、以及首次调用是否走 SiliconFlow 的在线接口，资料中没有说明，建议以技能包内的 SKILL.md 为准。
有一点可以提前确认：如果本地没有可用的 API Key 字段，说明鉴权不在使用方这一侧，调用前不需要做密钥配置。
典型用法¶
官方资料没有提供可复现的命令行示例或输入输出样例，因此下面只描述调用意图，具体参数名以技能包内的 SKILL.md 为准。
1、准备一个本地文件，音频（如 mp3、wav、m4a）或视频（如 mp4）均可，确认文件路径可被 Agent 访问。
2、在 Agent 中按 @user_01440017/free-speech-recognition 启用技能，传入该文件路径，并说明目标是拿到完整文字稿。
3、拿到返回结果后先核对整体结构，再抽查方言密集片段和中英混排片段——这两类是转写最容易出错的位置。
适用场景¶
按官方简介的定位，适合这几类需求：
- 会议、采访、课程等长音频的整场转写，重点是不能中途丢内容。
- 客服、政务等场景中口音较重的录音，尤其是粤语、四川话、客家话、潮汕话、闽南语这些方言区。
- 需要在 Agent 工作流里把语音转成文本再做后续处理的场景，例如转写后直接做要点摘要或入库。
需要注意的地方¶
几个基于资料的提醒：
- 这是社区来源（
community）的技能，不是平台官方维护的。用在正式项目前，建议先在一小段音频上验证效果和稳定性。 - 技能虽然声称免费且无需 API Key，但底层走的是 SiliconFlow 平台的模型。如果后续模型侧的计费或额度策略有变动，需要以平台当时的说明为准。
- 目前资料中「安装 0」、下载量为 998，样本量不大，实际效果请自行实测，不要参考第三方口碑。
- 「60 种方言」是官方简介给出的数字，资料中没有列出完整清单，如果你的录音正好落在清单边缘的方言上，最好先做一次短样本试跑。
- 视频输入意味着技能内部会处理音频提取。如果你手上的视频本身音轨质量差（远处拾音、背景音乐压过人声），转写效果会受明显影响，这类问题靠模型侧难以补救。
小结¶
这个 Skill 的价值在于把本地音视频到文字稿的链路缩短成一次调用，省掉自建服务和密钥配置两件事，同时在中英混排和多方言上做了覆盖。适用面集中在长音频转写和方言场景。想知道具体参数和调用细节，直接去看技能包内的 SKILL.md，或访问官方页面：
https://api.skillhub.cn/user_01440017/free-speech-recognition
