by 运行时依赖
安装命令
点击复制技能文档
OpenClaw 媒体转写与龙虾研判 本 skill 指导将音视频或 .tty 转为可用文本，生成原文与纪要，并以固定结构交给 OpenClaw（龙虾）做类型与内容判断。
适用范围与触发 输入：mp3、wav、m4a、aac、flac、ogg、mp4、mkv、webm、mov 等常见音视频，或扩展名为 .tty 的文件。 输出：规范化文本（原文）、纪要、元数据与待龙虾判断字段。
总流程（决策树） 识别输入类型 扩展名为 .tty → 走 .tty 分支。 其余音视频 → 走音视频分支。
取得原文 原文：逐字/逐句转写（openai-whisper 默认 --model base）或从 .tty 提取的可读文本，尽量保留说话人切换线索（若模型支持说话人分离则标注说话人 A/B）。
转写质量判断（仅 Whisper 本地转写时必做） 跑完 base 转写后，按转写质量判断与模型升级建议自检；问题多则提示用户改用 small / medium 重跑，通过前不写定稿纪要；问题少再进入下一步。 .tty 文本路径不做 Whisper 质检，直接进入纪要。
生成纪要 结构化摘要（见纪要模板），严格基于已通过质检（或无需质检）的原文，不杜撰未出现的信息。
交给龙虾判断 使用 OpenClaw 交付块输出；由龙虾结合项目策略做类型判定与后续动作（归档、跟进、敏感内容标记等）。
可选：保存文件（下载文件夹） Whisper 路径：质量判断为「可接受」并完成纪要、交付块之后；.tty 等路径：完成原文、纪要、交付块之后。询问用户是否保存，以及保存格式（Markdown 或 Word）；若同意，按保存文件（下载文件夹）写入。
音视频 → MP3 → 转写
- 转为 MP3（统一中间格式）
- 语音转文字（ASR）
openai-whisper： 依赖与首次运行体积预期 pip install openai-whisper 会安装 PyTorch 等依赖，磁盘占用常见为数百 MB 量级，CUDA 版可达约 1GB+（随平台与是否 GPU 版变化）；Whisper 包本身相对较小。 首次执行转写时还会按 --model 单独下载权重： 本 skill 默认 base（体积常见为约百 MB 量级，以官方缓存为准）；tiny 约 72MB 级；turbo 约 1.5GB 量级，下载与加载都更重，弱配置上易 OOM 或极慢。
Windows：Whisper CLI 与中文控制台（GBK 崩溃） 在中文区域设置的 Windows 上，直接运行 whisper --help 或转写时，Python 可能用 GBK 写 stdout，触发 UnicodeEncodeError: 'gbk' codec ...。 在同一 PowerShell 会话内先设置再调用 Whisper： $env:PYTHONIOENCODING = "utf-8" whisper --help 转写示例（会话内已设好 PYTHONIOENCODING）；默认模型为 base： whisper "OUTPUT.mp3" --model base --language Chinese
Whisper 模型选择（默认 base，再按质量升降级） 默认： openai-whisper CLI 使用 --model base 做首次转写，再进入转写质量判断与模型升级建议。 tiny： 约 72MB 级，仅当磁盘/内存极紧、或用户明确要求「先快速试跑」时使用；默认流程不以 tiny 为首选。 turbo： 权重大（约 1.5GB），下载与全量加载占用高，易 OOM；仅当机器资源充足且对准确率/速度有更高诉求时再考虑。
WhisperX（说话人分离） 当用户需要分说话人 的原文（如会议多角色），可选用 WhisperX（Python 库，非 openai-whisper 自带 CLI）。 安装 pip install whisperx 仍依赖 PyTorch 等，整体磁盘与首次下载体积与 Whisper 路线同量级，且对齐 / diarization 会再拉取额外权重。
中文对齐（ZH） 使用 whisperx.load_align_model(language_code="zh", ...) 时，会自动下载中文 forced alignment 所用模型（首次需联网与足够磁盘）；无需手动另选「ZH 对齐包」路径，但要在 notes_for_openclaw 中注明是否已首次拉取成功。
Diarization（说话人分离）与 HuggingFace 默认： 许多 diarization 管线依赖 HuggingFace 已登录（如 huggingface-cli login 或环境变量 HF_TOKEN），否则无法拉取门控模型。 不想登录 HF 时： 部分场景可尝试将 use_auth_token=False 传给 API（或通过环境变量/封装参数，以当前 WhisperX 版本文档为准）。注意：部分模型在无 token 时不可用或行为异常，若采用此方式，须在交付备注中写明「未使用 HF 门控模型 / 可能降级」。
使用 pyannote/speaker-diarization-3.1（或同类 pyannote 门控模型）： 必须先在 HuggingFace 网站对该模型访问条款点击同意，再在本地配置 token 后下载权重；否则拉取会失败。
启用 WhisperX 且带 diarization 时，原文中应显式标注说话人分段（如 SPEAKER_00 / 说话人 A 等与用户对齐的命名）；后续仍执行转写质量判断与模型升级建议（针对合并可读文本与分段合理性），再走纪要、交付块与可选落盘。
转写质量判断与模型升级建议 在 openai-whisper 默认 base 模型产出原文后，agent 必须对照下列质量指标做一次快速审查（结合音频时长与领域常识，不必过度纠结单次口误）。若已按建议改用 small / medium 重跑，则对最后一次转写结果重复本审查。
指标 说明（出现则计为问题） 错译 / 同音错字成片 专有名词、数字、单位、人名地名等明显不合理或与音频常识不符 乱码与异常符号 不可读片段、大量无意义符号、编码异常痕迹 无意义重复 同一短语/句子异常堆叠，疑似解码或切片错误 句意断裂 大量不成句碎片、缺主谓宾导致无法理解叙述脉络 语言/段落错配 明显中英混排错误、段落顺序颠倒、长时间静音被填成幻觉句（若可判断）
分支： 问题偏多（多项明显、或严重影响可读性）： 不要直接进入纪要定稿与落盘询问；向用户说明命中了哪些指标，并明确建议用更大模型重跑转写，优先顺序 small → medium（资源允许再考虑 large / turbo）。重跑后再次做本表自检。 问题偏少（偶发错字、整体可读）： 视为通过，进入纪要、OpenClaw 交付块，以及保存文件（下载文件夹）的询问流程。 .tty 纯