前言¶

做音視頻轉錄時常見的兩條路都不太省心：自建 Whisper 類服務要自己管模型、GPU 和隊列，用雲廠商的語音接口要申請 Key、看配額、算費用。下面介紹的這個 Skill 走的是第三條路——在 Agent 裏直接調用現成的工業級 ASR 模型，輸入本地音頻或視頻，輸出文字稿，用戶不需要準備任何 API Key。

這是什麼¶

「免費語音識別」是一個基於通用 SKILL.md 格式的社區技能，座標 @user_01440017/free-speech-recognition，發佈者 user_01440017，當前版本 1.0.7，來源標記爲 community，SkillHub 分類 design-media。

它解決的問題很單一：把本地的音頻或視頻文件轉成可讀的文字稿。技能標籤裏明確寫着 requires_api_key=false，也就是調用方不用填密鑰，這一點和大多數接第三方模型的 Skill 不同。

背後調用的模型是 XingChenASR-V3.2-Ultra，託管在硅基流動 SiliconFlow 平臺上。

核心能力¶

官方簡介裏給出的能力如下，均按原文轉述：

• 將本地音視頻轉成文字，官方描述爲「準確、流暢、易讀的文字稿」。
• 支持中文、英文，以及 60 種方言的混合識別。
• 方言覆蓋範圍包括粵語、上海話、四川話、重慶話、北京話、天津話、東北方言、客家話、潮汕話、閩南方言等。
• 面向長音頻轉寫場景，簡介中提到的適用對象包括會議、採訪、課程、客服、政務。

這裏值得留意的是「混合識別」這一條。實際會議錄音裏往往中英夾雜，還可能中途換方言，如果按語言分段切分再分別識別，切分錯誤會直接傳染到結果上。該 Skill 聲稱一次調用即可處理混合語種，這是它和分語言拼接方案的主要差異。

安裝與啓用¶

已抓取的官方資料中沒有給出安裝命令、目錄路徑或配置文件字段，因此這裏不寫未經覈實的步驟。

可以確認的信息只有下面這些：

技能座標：@user_01440017/free-speech-recognition
版本：1.0.7
來源：community
分類：design-media
標籤：requires_api_key=false

啓用方式與其它基於 SKILL.md 的 Skill 一致：在支持該格式的 Agent 環境中按上述座標定位並加載技能，然後按技能聲明的輸入要求傳入本地音視頻文件的路徑。是否需要重新下載模型、以及首次調用是否走 SiliconFlow 的在線接口，資料中沒有說明，建議以技能包內的 SKILL.md 爲準。

有一點可以提前確認：如果本地沒有可用的 API Key 字段，說明鑑權不在使用方這一側，調用前不需要做密鑰配置。

典型用法¶

官方資料沒有提供可復現的命令行示例或輸入輸出樣例，因此下面只描述調用意圖，具體參數名以技能包內的 SKILL.md 爲準。

1、準備一個本地文件，音頻（如 mp3、wav、m4a）或視頻（如 mp4）均可，確認文件路徑可被 Agent 訪問。

2、在 Agent 中按 @user_01440017/free-speech-recognition 啓用技能，傳入該文件路徑，並說明目標是拿到完整文字稿。

3、拿到返回結果後先覈對整體結構，再抽查方言密集片段和中英混排片段——這兩類是轉寫最容易出錯的位置。

適用場景¶

按官方簡介的定位，適合這幾類需求：

• 會議、採訪、課程等長音頻的整場轉寫，重點是不能中途丟內容。
• 客服、政務等場景中口音較重的錄音，尤其是粵語、四川話、客家話、潮汕話、閩南語這些方言區。
• 需要在 Agent 工作流裏把語音轉成文本再做後續處理的場景，例如轉寫後直接做要點摘要或入庫。

需要注意的地方¶

幾個基於資料的提醒：

• 這是社區來源（community）的技能，不是平臺官方維護的。用在正式項目前，建議先在一小段音頻上驗證效果和穩定性。
• 技能雖然聲稱免費且無需 API Key，但底層走的是 SiliconFlow 平臺的模型。如果後續模型側的計費或額度策略有變動，需要以平臺當時的說明爲準。
• 目前資料中「安裝 0」、下載量爲 998，樣本量不大，實際效果請自行實測，不要參考第三方口碑。
• 「60 種方言」是官方簡介給出的數字，資料中沒有列出完整清單，如果你的錄音正好落在清單邊緣的方言上，最好先做一次短樣本試跑。
• 視頻輸入意味着技能內部會處理音頻提取。如果你手上的視頻本身音軌質量差（遠處拾音、背景音樂壓過人聲），轉寫效果會受明顯影響，這類問題靠模型側難以補救。

小結¶

這個 Skill 的價值在於把本地音視頻到文字稿的鏈路縮短成一次調用，省掉自建服務和密鑰配置兩件事，同時在中英混排和多方言上做了覆蓋。適用面集中在長音頻轉寫和方言場景。想知道具體參數和調用細節，直接去看技能包內的 SKILL.md，或訪問官方頁面：

https://api.skillhub.cn/user_01440017/free-speech-recognition