shield_lock
JinDaGe
← Back to skills
extension
Category: Productivity & OfficeAPI key requirement unconfirmed

录音逐字稿清洗

录音逐字稿清洗：读取沟通录音目录下带 -待清洗 后缀的逐字稿，脚本机械清洗 + AI 语义清洗两层接力，说话人识别、术语纠错、7 道闸门验证，全程不打断用户（三级裁决 + 批次报告，沉默即通过）。当用户说"清洗""洗稿""处理逐字稿""清洗这份录音"时使用。

personAuthor: sunny31221hubOpenAPI
downloadDownload package

录音逐字稿清洗

安装方法

  1. 先问使用者用的是什么 AI 工具，选项按这个顺序列：1. WorkBuddy　2. Claude Code　3. Codex　4. 其他（用户直接说工具名），回答记作 X
  2. 只安装给 X，不安装或链接其他任何工具：

    • X 是 WorkBuddy：把本技能下载后放进 ~/.workbuddy/skills/（WorkBuddy 的技能目录；skills CLI 不支持 WorkBuddy，由你直接放置）

    • X 是其他工具：

      npx -y --registry=https://registry.npmmirror.com skills add https://modelscope.cn/skills/sunny31221/data-cleaning-buheliwa -a X -y

      （不带 -a 会安装给本机所有检测到的工具，禁止；--registry 为 npmmirror 镜像，保证国内不翻墙也能拉到 CLI）

    • X 不在上述范围时，按该工具自身的技能机制安装，装完确认 X 能识别本技能即可

  3. 装完后询问是否现在使用本技能

两条最高原则

  1. 能自己判的，自己判：凡有判据可依的判断（决策树、术语表、映射表、清洗规则、命名规范），AI 必须自己裁决，不把判断推给用户确认。把能自己判的问题交给用户，既耗用户精力，又浪费双方时间。
  2. 批量清洗不打断：批量场景下用户没精力逐条确认。所有需要用户知情的项，汇入一份批次报告；用户不回复即视为通过。用户精力只留给真正重要的判断。

「不违」与「唯循」的分野：不违 = 遇到不确定就列确认单，把责任推出去；唯循 = 取最安全默认先处理完，把结果和理由如实写入报告。

前置条件

逐字稿要放在 AI第二大脑/03_知识库/02_沟通录音/ 下，文件名以 -待清洗 结尾（如 20260917-选题会-甲乙-待清洗.md）。清完去掉后缀即为正式稿。

可以帮你做什么

一条链路：预检 → 群像检测 → 两层清洗（2a 脚本 + 2b 语义）→ 说话人识别管线 → 术语/映射回写 → 去后缀 → 7 道闸门验证，三级裁决 + 批次报告制全程零打断。详见下方工作流程。

不适用场景

  • 已清洗文件（frontmatter 含 type/summary/tags）→ 不重复处理
  • 非逐字稿格式（纯笔记、公众号文章）→ 走其他管道
  • 外部人物/路人发言为主 → 按 Step 1 判定直接关闭
  • 文件名没有 -待清洗 后缀 → 说明不是待洗稿，不处理

快速参考

| 操作 | 做法 | |------|------| | 洗一篇 | 告诉 Skill 文件名或路径（必须是 *-待清洗.md） | | 批量洗 | "批量洗 N 篇"（上限 3 篇/批，超出拒绝） | | 查看待清洗 | find 03_知识库/02_沟通录音/ -name "*-待清洗.md" | | 群像模式 | Step 1 自动检测：实际在场人数 > ASR 通道数 | | 查看批次报告 | 读 03_知识库/02_沟通录音/清洗报告-YYYYMMDD.md（每批一份） | | 预览变更 | "预览清洗 <文件名>" 输出 diff 不实际修改 | | 脚本入口 | helpers.py <cmd> — 所有确定性操作统一入口 |

| helpers.py 命令 | 用途 | 步骤 | |------|------|------| | extract-date <f> | 从文件名提取日期 | Step 0 | | validate-filename <f> | 检查命名规范 | Step 0 | | clean-transcript <f> | 2a 机械清洗 | Step 2a | | timestamps | 生成 created / id | Step 4 | | verify-all <f> | 一键 7 道闸门 | Verify | | append-glossary <正> <误> <释义> <分类> [来源] | 追加术语（自动查重 + 四列留痕） | Step 5 | | append-mapping <事件> <编号> <姓名> | 追加说话人映射（自动查重） | Step 5 | | report-init <项目> [date] | 初始化批次报告（幂等，stdout 输出路径） | Step 7 | | report-add <报告> <来源> <位置> <问题> <AI处理> <理由> | 追加报告项（自动编号） | Step 7 | | report-finalize <报告> | 生成统计块（幂等） | Step 7 |

三级裁决制（核心）

所有清洗判断分三级，只有 L3 进报告，且全程不打断用户：

| 层 | 判什么 | 判据 | 谁判 | 行为 | 用户可见 | |---|---|---|---|---|---| | L1 | 确定性操作 | 脚本规则 | 脚本（helpers.py） | 直接执行 | 仅计数 | | L2 | 判断性操作 | 决策树/术语表/映射表/规则文件 | AI | 直接执行 + 写清洗备注 | 批次报告统计 | | L3 | 影响信息且无判据 | 见下方判据 | AI 取最安全默认 | 保留原文 + 记入报告 | 报告一条，沉默即通过 |

L3 判据（同时满足两条才进报告）：

  1. 该判断会改变文本传递的信息
  2. AI 无判据可依（查完决策树、术语表、映射表、上下文后仍无法定夺）

L2 直接裁决、不进报告的情形（即使"不确定"，也自己定，不问用户）：

| 情形 | 裁决 | 备注 | |------|------|------| | 口语词删留不确定 | 保留原文 | 写进清洗备注（保留原文不伤信息） | | ASR 变体不确定 | 保留原文 | 写进清洗备注 | | 说话人信号不足 | 保留编号 + 理由 | 安全默认：不改归属 | | 外部人物/路人 | 直接关闭 | 不写任何清单 | | 命名事件提炼 | AI 按内容 + ≤12 字规则直接定 | 判据充足 | | 是吧/对吧不确定 | 保留整句 | 决策树第三条：默认保留 |

L3 示例（进报告，AI 已按最安全默认处理）：

  • 数字疑似转录错误（铁律不改值；报告让用户知情）
  • 一句话删与不删直接影响结论，且无判据（默认保留，报告说明）
  • 疑似系统性 ASR 错误波及多处（AI 判断需人知情）

批次报告制（沉默即通过）

每批清洗结束，AI 用脚本生成一份报告，不逐条弹确认：

  • 位置：03_知识库/02_沟通录音/清洗报告-YYYYMMDD.md（同日多批复用同一文件）
  • 内容：报告项表（来源/位置/问题/AI 处理/理由）+ 统计块
  • 规则：用户不回复 = 全部通过。要改哪条，回复「改 #编号」；确认无误回复「通过」
  • 报告是知情文件，不是待办清单：AI 已按最安全默认处理完，不是等用户拍板才动
  • 用户回复「改 #N」后：AI 修正对应处 → 回写参考文件（Step 5）→ 在报告中标注已改

报告寿期：报告是过程材料不是资产——用户回复完、或事后对账完成，就可以归档或删掉，不必长期堆在沟通录音目录里。

  • 报告的价值有两段：① 用户回复「改 #N」的窗口期 ② 事后对账
  • 删档时必须同步处置指向它的指针：按先例标注「已删档，要点见本板 + plan 编号」，不得留死链
  • 判据：报告是过程材料不是资产；不删则无限堆积（2026-09-15 前清洗报告全库积了 9 份、一份未删）

工作流程

Step 0: 预检

find 03_知识库/02_沟通录音/ -name "*-待清洗.md" | sort
  • 扫描 03_知识库/02_沟通录音/ 下所有待清洗的逐字稿
  • 读每个文件 frontmatter：有 type + summary + tags → 跳过（已清洗）
  • 文件只有 source 字段（分类阶段写入）→ 待清洗，继续
  • python3 <本技能目录>/scripts/helpers.py extract-date <file> → YYYY-MM-DD
  • python3 <本技能目录>/scripts/helpers.py validate-filename <file> → 检查命名规范
  • 超长文件（> 1500 行）→ 标记单独处理，走大文件模式

归属：录音稿统一放在 03_知识库/02_沟通录音/ 下，无需 AI 判定。

Step 1: 群像检测 + 外部判定

  • AI：统计对话中实际在场人数 vs ASR 标注的说话人通道数
  • 人数 > 通道数 → 触发群像 → 加载 group-mode.md
  • 标准模式 → 继续 Step 2a

外部讲座判定（命中任一信号 → speakers: ['外部讲座']，人物不加术语表）：

  • 单人讲座，内容为政策/技术/法规宣讲
  • 关键词含"培训""授课""讲座""一号文件""政策解读"
  • 说话人自称体制内身份（"我们厅里""我们局里""市农业农村局"）
  • 多人但均为同一培训活动学员/讲师

Step 2a: 脚本机械清洗（L1，确定性操作）

python3 <本技能目录>/scripts/helpers.py clean-transcript <file>

脚本自动执行（不消耗 AI 判断，不询问用户）：

  • 说话人标签归一化：Speaker N → 说话人 N（纯格式规整，只要有就归一）
  • 说话人标签替换为真名（🔴 2026-09-14 用户拍板：正文用真名）：由文件名推导事件名（YYYYMMDD-事件-…，去掉日期前缀与末尾人物段），在 03_知识库/02_沟通录音/_speaker-mappings.md 里该事件已有映射时，把行首「说话人 N 」就地换成真名，时间戳与行尾空格逐字保留。未映射的编号一律保留、不猜；文件名无日期前缀则整体不查映射。姓名取「（」前主名（张三（老张） → 张三）。映射表两种行首格式（说话人N / 裸 N）都认
  • 术语纠错：从 03_知识库/02_沟通录音/_术语表.md 解析正则模式 → ASR 变体替换为正确写法（长匹配优先）
  • 口水词初筛：仅删除 100% 确定的填充（单独出现的 嗯/呃/啊/哦/诶/唔/唉/啧 在行首）
  • 输出：中间文件（-stage2a.md）+ 统计报告（替换/纠错/删除各多少处）

分工：2a 只做「映射已知」的替换（确定性 → 脚本干）。新录音的映射要靠内容锚点识别（判断性 → Step 3 由 AI 判定），判定后经 append-mapping 回写，下次同事件即由 2a 自动完成。 废止：2026-09-13 曾有一条「正文保留「说话人 N」编号」的注释，其来历是旧实现匹配 **1：** 格式（全库不存在）导致替换从未生效、speaker_fixes 恒为 0，当时未修代码而把现状记成了约定。该注释已删，行为已由回归用例 9/10 守住。

Step 2b: AI 语义清洗（L2，判断性操作）

在 2a 输出上逐段读 + 逐句判断。加载 cleaning-rules.md（127 行，全量）。

术语替换：Step 2a 已做大部分 ASR 纠错，AI 遇到残留变体时 grep "<关键词>" 03_知识库/02_沟通录音/_术语表.md 搜索确认，不全量加载。

必须做的事：

  1. 是吧/对吧决策树（详见 cleaning-rules.md 第一节，严格按三步判定：连续标记→整组删、无信息→整句删、有信息→整句留。禁止截断）

  2. 上下文判断（L2 直接裁决，不问用户）：

    • 口语填充词（就是说/那个/反正/怎么说呢/那种/这样子/的话）→ 逐条判断，不确定 → 保留原文 + 备注
    • 主观表达（我觉得/可能/大概/好像/应该）→ 不删
    • 说话人特有口语习惯 → 不删（删了反而失真）

  3. 数字保护铁律：不修改任何数字、日期、金额、百分比、数量的值。疑似转录错误 → 保留原文 + 进批次报告（L3）

  4. 术语替换：顺序严格为 人名→地名→概念（长匹配优先）

  5. 清洗备注：在输出文件末尾加 ## 清洗备注 段落，列出关键决策：

    • 是吧/对吧判定摘要（删除 X 处 / 保留 Y 处，各举一例）
    • 保留项说明（哪些口语词/ASR 变体因不确定而保留）
    • 说话人识别依据（匹配来源 + 置信度）

Step 3: 说话人处理

结构化查找管线（严格按序，禁止跳过直接猜测）：

  1. grep "<对话事件名>" 03_知识库/02_沟通录音/_speaker-mappings.md → 只加载该对话的映射行（3-5 行），不全量加载
  2. 已有确认映射 → 此处无需再动手：Step 2a 的 1b 步已在机械层替换完正文标签（🔴 2026-09-14 起正文用真名），只需核对替换结果与计数
  3. 新录音无匹配（2a 未替换，正文仍是「说话人 N」） → 先读 03_知识库/02_沟通录音/_speaker-profiles.md 的 快速匹配索引锁定候选人 → 只读候选人的完整画像做特征匹配。判定成立后：在 2b 里把正文标签就地换成真名（保留时间戳与行尾空格），再经 append-mapping 回写映射表，下次同事件即由 2a 自动完成
  4. 特征匹配仍不确定 → L2 裁决：保留编号 + 标注不确定理由，不进报告（安全默认，等待以后有映射再回写）
  5. 群像模式 → 加载 group-mode.md，保留编号，产出「在场人物块」
  6. 禁止行为：从对话内容猜测说话人身份（如"说话人1谈到某个项目→就断定是某人"）

多说话人交叉验证（2+ 已知说话人、或同一对话分多段录制时，必须执行）：

  1. 定位内容锚点：为每位说话人找 ≥2 个不可辩驳的标记：只有此人知道/会说的信息。
    • 信息锚点：谁提了自己的经历/项目/关系？（"我同学老张"→据此锁定说话人，"我的访谈提纲"→框架制作者）
    • 行为锚点：谁在主导访谈/提问/收尾？（"好的那就这样"→收尾者）
    • 关系锚点：谁提到了谁？（谁提到了其他人、谁被指为某件事的当事人）
  2. 禁止性格推断：不以"此人语气理性/感性"作为判定依据。性格是猜测，锚点是事实。
  3. 一处错必反查整段：发现单个标签错误时，必须追问"这一段的其他标签是否也反了？"多说话人场景中两人标签系统性互换是高频错误，禁止只修被指出的那一处。

说话人归属的 L3 判定：归属改变会改变文本传递的信息（谁说了什么），且管线走完仍拿不准时 → 保留编号（安全默认）+ 进批次报告，理由写清"管线走完仍不确定，建议后续按映射表回写"。

Step 4: 产出与验证

# 1. 确定性字段
python3 <本技能目录>/scripts/helpers.py timestamps                    # → created / id
python3 <本技能目录>/scripts/helpers.py extract-date <file>           # → YYYY-MM-DD

# 2. 项目归属：从文件路径读取（位置即决策）
# 文件在 03_知识库/02_沟通录音/ 下，归属即该目录

# 3. AI：写入完整 YAML frontmatter（规范见 references/frontmatter-standard.md）
# 必填: date created id type source summary tags word_count
# 清洗特有: speakers cleaning_stats

# 4. 一键验证
python3 <本技能目录>/scripts/helpers.py verify-all <file>            # 7 道闸门

frontmatter 字段约束（L1 清洗必填，完整定义见 references/frontmatter-standard.md）：

  • id：YYYYMMDD-HHMMSS（helpers.py timestamps 产出）
  • tags：1-4 个，严禁超过 4 个
  • type：必须使用映射表值（调研访谈|分享会|工作讨论|外部讲座|群像讨论|项目策略|方法论展示|战略反思|知识传授|合作洽谈|产品技术汇报）
  • source：完整相对路径含目录层级，指向原始录音文件
  • speakers：已确认说话人列表。外部讲座 = ['外部讲座']
  • cleaning_stats：两层操作计数
cleaning_stats:
  "2a": "speaker_mappings:3, term_fixes:12, filler_removed:8"
  "2b": "shiba_fillers_deleted:5, shiba_fillers_kept:3, uncertain_kept:2"

🔴 「2a」段必须照抄脚本输出，不得手写（2026-09-13 P-4 起）：clean-transcript 跑完会在 stdout 打印一段可整段粘贴的 cleaning_stats，那是真实替换处数（perl 内 $r ne $& 计数， 回归用例 6 守着）。AI 只负责按实际语义操作填「2b」段。

⚠️ 存量不可信：2026-09-13 之前落盘的 cleaning_stats.2a.term_fixes 为人工填写， 已实测失真（某篇写 2 而实际替换 9 处并附带损伤），不可作为 C-1「替换数异常」信号依据。 需要真实计数时，对该篇重跑一次 clean-transcript 取脚本输出。

Step 5: 回写参考文件

清洗完成后，用 helpers.py 回写（自动查重，不消耗 AI token）：

# 新 ASR 变体 → 追加到术语表（自动查重+合并变体+写「加入日期/来源」列）
python3 <本技能目录>/scripts/helpers.py append-glossary <正确写法> <ASR变体> <释义> <分类> [来源标记]
# 分类: 人名 | 地名/组织 | 项目/概念
# 来源标记（可选，默认「AI 清洗回写」）：用户确认 | AI 清洗回写
#   → 术语表第 4 列写入 `YYYY-MM-DD 来源标记`，供出问题时追溯是谁加的（B-2 变更留痕）

# 新说话人映射 → 追加到 speaker-mappings（自动查重）
python3 <本技能目录>/scripts/helpers.py append-mapping <对话事件> <编号> <真实姓名>
  • 报告：AI 仅汇总本批次新增 X 条术语、M 条映射（数值来自 helpers.py 输出）

Step 6: 完成标记

# 去掉 -待清洗 后缀，标记为正式文件
mv "03_知识库/02_沟通录音/<文件名>-待清洗.md" "03_知识库/02_沟通录音/<文件名>.md"
  • 源文件留在原处，清洗不移动、不删除它
  • 去后缀 = 清洗完成，文件成为沟通录音目录下的正式稿

Step 7: 批次报告（每批一份，不打断）

本批全部文件清洗完成后执行：

# 1. 初始化（幂等：同日多批复用同一文件）
REPORT=$(python3 <本技能目录>/scripts/helpers.py report-init <项目>)

# 2. 追加报告项（只有 L3 才加；参数含空格时整体加引号）
python3 <本技能目录>/scripts/helpers.py report-add "$REPORT" <来源文件> <位置> <问题> <AI处理> <理由>

# 3. 收尾统计（幂等）
python3 <本技能目录>/scripts/helpers.py report-finalize "$REPORT"
  • 无 L3 项时也执行 init + finalize，报告为空项 + 统计 0 条，告知用户"本批零报告项"
  • 报告生成后，在回复里一句话告知用户报告位置，等待回复「通过」或「改 #N」，不逐条追问

Verify: 管道闸门（强制执行）

产出后逐项检查，不通过不进下一阶段：

python3 <本技能目录>/scripts/helpers.py verify-all <file>

| # | 检查项 | 不通过时 | |---|--------|---------| | 1 | frontmatter 必填字段完整（含 cleaning_stats） | 补全后重新验证 | | 2 | id 格式 YYYYMMDD-HHMMSS | 修正 id 字段 | | 3 | tags 数量 ≤ 4 | 删减到 4 个以内 | | 4 | type 在映射表中 | 修正 type 值 | | 5 | source 完整路径 + 链路可追溯 | 补全完整路径 | | 6 | 术语表 / speaker-mappings 已回写（有新增时） | 执行 Step 5 回写 | | 7 | filename 符合命名规范 + -待清洗 后缀已去除 | 修正文件名或执行 Step 6 |

✅ PASS 全部通过。任一项失败 → 标注 ⚠️ verify-failed，AI 报告修复方案。仅验证失败时才加载 references/pipeline-gates.md 查阅 verify-chain 逻辑和失败处理流程。

关键原则

  1. 自我承担 — 凡有判据的判断（决策树/术语表/映射表/规则），AI 自己裁决，禁止推给用户确认
  2. 情境共融 — 批量清洗零打断：L3 项进批次报告，用户不回复即视为通过
  3. 数字保护铁律 — 不修改任何数字、日期、金额、百分比的值
  4. 是吧/对吧决策树 — 连续标记→整组删、无信息→整句删、有信息→整句留。禁止截断
  5. 不确定不改 — 疑似 ASR 错误保留原文 + 备注（L2），保留原文不伤信息
  6. 不编造说话人 — 无音频对照不猜测归属，结构化管线走完仍不确定则保留编号+理由
  7. 位置即决策 — 项目归属由文件所在目录决定
  8. 术语表自增长 — 每次清洗后回写新发现（迭代收敛：前 30 篇量大，50 篇后稳定）
  9. 先 2a 后 2b — 脚本做完确定性的，AI 做完需要判断的，两层接力不是二选一
  10. 脚本不手动 — 确定性操作一律走 helpers.py，AI 不手工做
  11. 分类先于清洗 — 新文件必须先经分类路由，清洗只处理 *-待清洗.md
  12. 清洗必留备注 — 每篇产出末尾写 ## 清洗备注，记录关键决策和理由
  13. 锚点优于印象 — 多说话人场景用内容锚点交叉验证，禁止性格推断。发现一处标签错误必反查整段是否有系统性互换
  14. 报告不追问 — 批次报告生成后一句话告知位置，不逐条追问；用户回复「改 #N」才动手改

批量限制

| 维度 | 规则 | |------|------| | 上限 | 3 篇/批（硬限制，超出必须明确拒绝。上下文约束，与确认方式无关） | | 超长文件 | 单篇 > 1500 行单独处理 | | 共享上下文 | 术语表 + 清洗规则 + speaker-mappings 只加载一次 | | 并行策略 | 3 篇独立处理，不设金丝雀抽检 | | 报告频率 | 每批一份报告，批次结束统一生成，不逐篇生成 |

与分类技能的衔接

详见 （见 references/ 下的规则文件）（按需加载）。核心规则：分类阶段写 source 字段+路由到项目+加 -待清洗 后缀；清洗阶段从文件路径读项目归属（位置即决策）、补全全部 frontmatter、完成后去后缀。

常见错误

详见 references/troubleshooting.md（按需加载：仅清洗出错或 verify 失败时查阅）。高频错误速查：

| 错误 | 正确 | |------|------| | 把能自己判的推给用户确认 | 三级裁决：L1 脚本判、L2 AI 判、只有 L3 进报告（原则 1） | | 逐条弹确认打断批量清洗 | 批次报告制：每批一份，沉默即通过（原则 2） | | 口语词不确定就进报告 | L2 保留原文 + 备注即可，不进报告 | | 说话人信号不足就进报告 | L2 保留编号 + 理由；归属影响信息时才 L3 | | 是吧/对吧截断留残字 | 整句删或整句留，禁止截断 | | 批量超 3 篇不拒绝 | 硬拒绝 + 告知上限 | | 术语替换乱序 | 人名→地名→概念，长匹配优先 | | 说话人从内容猜测 | 管线走完仍不确定→保留编号+理由 | | 映射表没有该事件就自行猜真名 | 保留编号 + 判定成立后经 append-mapping 回写，下次 2a 自动替换 | | 替换真名时删掉时间戳或行尾空格 | 只换行首标签，时间戳与行尾空格逐字保留（2a 已自动做，2b 补做时同理） | | 多说话人标签系统性互换 | 一处错反查整段，用锚点交叉验证 | | 产出无清洗备注 | Step 2b 强制写 ## 清洗备注 | | 报告生成后逐条追问用户 | 一句话告知报告位置，等待「通过」或「改 #N」 | | AI 手工 mv/拼路径/写报告 | 一律走 helpers.py（含 report-init/add/finalize） |

参考来源

| 文件 | 内容 | 何时读 | |------|------|--------| | references/frontmatter-standard.md | YAML 字段定义、type 映射表、word_count 标准 | Step 4 写 frontmatter 时 | | references/pipeline-gates.md | 质量闸门定义 | Verify 时 | | cleaning-rules.md | 口水词清单、术语替换顺序、数字保护细则、是吧/对吧决策树 | Step 2b 全量加载（127行） | | group-mode.md | 群像模式完整流程+自查清单（65行） | Step 1 触发群像时 |

用户数据（存在项目里，不在技能目录。每个人各攒各的，技能升级覆盖不到）：

| 文件 | 内容 | 何时读 | |------|------|--------| | 03_知识库/02_沟通录音/_术语表.md | 三列格式：正确写法 / 常见变体 / 释义 | Step 2b grep 搜索，Step 5 回写时加载 | | 03_知识库/02_沟通录音/_speaker-mappings.md | 已确认说话人映射表 | grep 对话名搜索，不全量加载 | | 03_知识库/02_沟通录音/_speaker-profiles.md | 核心人物身份信号 + 语言信号 | mappings 无匹配时：先读快速匹配索引锁定候选人，再只读候选人画像。禁止全量加载 |

三份的模板在技能目录 references/ 下，首次运行时脚本自动复制一份到项目里；攒词条、攒映射都攒在项目那一份上。