transcribe

transcribe 技能概览

transcribe 技能能做什么

transcribe 技能使用 OpenAI 将音频或视频转成文本，并支持可选的说话人分离和已知说话人提示。当你需要从录音、访谈、会议、讲座或短视频中获得稳定可靠的 transcribe 结果时，它是很合适的选择，尤其适合说话人标签也很重要的场景。

适合谁使用

如果你想要的是可重复执行的流程，而不是一次性提示词，那么就该用这个 transcribe 技能。它尤其适合 Technical Writing、会议纪要、内容运营、研究访谈，以及任何需要干净文本和可追溯说话人结构的人。

这个技能为什么不一样

它最大的优势是流程上的清晰：优先使用打包好的 CLI，对模型和输出格式有明确的决策规则，并且在需要时支持带说话人分离的输出。相比泛泛一句“请帮我转写”的提示词，transcribe 更容易稳定运行，尤其当你在意可重复性和输出结构时更是如此。

如何使用 transcribe 技能

安装 transcribe 技能

使用 npx skills add openai/skills --skill transcribe 安装。如果你是直接使用仓库，可以从 skills/.curated/transcribe 开始，并保持内置工作流不变，除非你的环境确实需要调整。

为 transcribe 使用准备合适的输入

要获得更好的 transcribe 使用效果，请提供：

• 音频或视频文件路径
• 期望的响应格式：text、json 或 diarized_json
• 可选的语言提示
• 如果需要说话人分离，提供已知说话人参考信息

一个更强的提示词可以写成：“转写这段 18 分钟的访谈，返回 diarized_json，如果可以的话标注主持人和两位嘉宾。”这比只说“给我一份 transcript”更好，因为它明确告诉技能要优化的输出结构和说话人上下文。

先阅读这些文件

先看 SKILL.md，再查看 references/api.md，了解格式限制和说话人分离规则。如果你要扩展或自动化这条流程，请检查 scripts/transcribe_diarize.py 和 agents/openai.yaml，里面包含默认模型、CLI 行为以及提示词入口点。

实用工作流建议

纯文本快速转写时用 gpt-4o-mini-transcribe，如果说话人标签很重要，就切换到 gpt-4o-transcribe-diarize。音频超过大约 30 秒时，把 chunking_strategy 保持为 auto。运行前先确保本地已经设置好 OPENAI_API_KEY；这个技能默认依赖已配置好的环境，而不是临时粘贴密钥。

transcribe 技能 FAQ

transcribe 适合 Technical Writing 吗？

适合。对于 Technical Writing 来说，transcribe 技能非常适合把原始音频转成可编辑文本，用于文档、访谈或内容整理。它更关注把语音稳定地转成结构清晰的文本，而不是创意改写。

什么时候不该用 transcribe？

如果你只需要一个大致摘要，不需要 transcript，就不该用 transcribe。文件太大、在支持的请求限制内无法直接处理、又不想拆分时，也不适合。若你的目标是重度意译而不是尽量贴近原话的语音转写，它同样不是好选择。

这和普通提示词有什么区别？

普通提示词也能要求转写，但这个 transcribe 技能额外提供了可复现的工作流、首选 CLI、明确的响应格式选项，以及说话人分离指引。这样在处理多个文件、需要一致输出时，就能少很多猜测。

transcribe 对新手友好吗？

友好，只要你能明确文件和期望输出即可。新手通常只需要在纯文本和带说话人分离的输出之间做选择。最大的门槛其实是环境配置，所以先确认 OPENAI_API_KEY。

如何改进 transcribe 技能

给 transcribe 更好的源内容上下文

质量提升通常来自更好的输入，而不是更多提示。比如要说明音频是播客、电话录音还是讲座；是否存在多人重叠发言；以及你想要逐字稿还是清理后的 transcript 输出。这样能帮助 transcribe 选择更合适的处理路径。

当说话人分离重要时，使用说话人提示

如果你知道说话人的名字，就把它们作为参考信息提供出来，不要期待模型仅凭音频自己全部推断出来。对于 transcribe 来说，这一点尤其重要，尤其当两个人声音相近，或者录音里有多个嘉宾时。已知说话人能提升标签一致性，但前提是这些参考信息本身要准确。

一次只改一个变量，逐步迭代

如果第一次 transcribe 输出不理想，就只改一个变量：模型、分块方式、响应格式，或者说话人提示。不要一次把整条请求重写。比如如果标签错了，就保持转写目标不变，只补充说话人参考，或者切换到 diarized JSON。

留意常见失败模式

最常见的问题包括：API key 缺失、不支持的文件处理、输出请求太模糊，以及在没有可用说话人上下文的情况下硬要做说话人分离。如果你是在为某个工作流编写 transcribe 指南，要明确记录预期文件类型、首选输出格式，以及录音太吵或太长时的兜底方案。