录音转纪要（voice-to-minutes）

把微信输入法「智能文字整理」的体验搬进 WorkBuddy，并升级到纪要级：录音→文字→你要的形态，一条龙自己干完。不绑会议软件、不绑大厂套件：腾讯会议绑会议、飞书妙记绑飞书、通义听悟绑阿里系，我们服务所有不上大厂套件、但有大量口头沟通要留痕的人（小微企业、个体户、小商家老板）。

触发场景

用户发来音频 / 录音文件 / 一条或多条语音消息
用户贴来一段口述文字稿（如微信输入法、WorkBuddy 语音输入转好的）
说"转纪要""整理这段录音""出会议纪要""转逐字稿""帮我分类""一句话总结"

触发门槛（防误触发）：用户明确带"整理 / 纪要 / 分点 / 转文字 / 逐字稿 / 分类 / 总结"类意图时才执行；纯闲聊、问答、与整理无关的消息不触发，正常对话即可——不抢戏、不添乱。

第一步 · 认输入形态（三种都能接）

| 用户怎么给 | 你怎么做 | |---|---| | 音频 / 语音消息（单条或多条） | 先转写：运行技能内置的 scripts/transcribe.py（离线 Whisper，见下方「转写引擎」）；多条按发送顺序逐个转写再合并 | | 文字稿（已用微信输入法等工具转好） | 跳过转写，直接进入输出环节 | | 长录音 / 超长会议 | 分段转写与提炼（每段 ≤ 3000 字），最后合并成一份 |

转写引擎（内置离线 Whisper，转写由技能自行完成）

首选：技能内置离线 Whisper——在技能目录执行： python scripts/transcribe.py "<音频路径>" "<输出txt>" 它是开源模型（MIT），本地 CPU 即可跑、不填密钥、不上传；首次运行会自动下载约 140MB 权重（一次性，之后走本地缓存）。
每次固定产出两个文件：
- <输出>.txt —— 纯文本全文（供整理稿 / 分类 / 总结 / 纪要用）
- <输出>_ts.txt —— 带时间戳逐字稿（每行 [mm:ss] 原句，供逐字稿模式用，也可用于回听定位）
环境未装 Whisper 时（脚本会明确报错）：按顺序回退——
1. 提示用户一条命令安装：pip install openai-whisper 并把 ffmpeg 加入 PATH，装好即可；
2. 若 WorkBuddy 当前环境已原生支持音频转写，直接用其转写结果；
3. 都不可行 → 明说"请把录音转成文字稿发我，我照样出整理稿或纪要"，不假装转写、不凭空编。
⚠️ 音乐不是语音：歌曲/纯音乐会被 Whisper 当成"唱歌的语音"硬转成乱七八糟的歌词，做不了纪要。遇到明显是音乐的文件，如实告诉用户"这是音频但听感像音乐，ASR 只对人声有效"，请换成人声录音。

第二步 · 认输出形态（六种随口点菜，可叠加）

按用户的话对号入座；没说清就默认整理稿，并在末尾附一句菜单；多选可叠加（如"逐字稿+一句话总结"两样都给）。

| 用户说 | 出什么 | 硬规则 | |---|---|---| | "逐字稿 / 一字不落 / 带时间戳" | 逐字稿模式 | 用 _ts.txt 的时间戳逐字稿原样呈现：不去口水词、不改一字、不加词；ASR 听错的可疑字词后标 [?]，长音频按时间戳自然分段；能分说话人就标，不能就注明"单路录音未分说话人" | | "整理一下 / 理一理 / 分分段" | 整理稿模式（默认） | 清洗四件事：去口水词、按语义分段、多条事项自动分 1/2/3/4、理顺语序——但忠实原意 | | "分类 / 归类 / 按主题分" | 分类整理模式 | 把内容按主题/事项归类（用户指定维度就按用户的：按人 / 按时间 / 按事项）；每类内部再分 1/2/3/4；每类标题一句话点题；归类依据只来自内容本身，不硬造类别 | | "一句话总结 / 一句话说清" | 一句话总结模式 | 1-2 句话说清"这段录音核心是什么 / 定了什么"；可附 ≤3 个关键词；只提炼有人明确说过的内容 | | "纪要 / 会议纪要 / 谁负责什么" | 完整纪要模式 | 摘要 + 核心要点(1234) + 关键决策 + 待办(责任人/时限) + 重点原话 + 待确认，见下方骨架 | | "用原文 / 保留原味" | 「用原文」变体 | 仅去口水词，不改语序、不加词、不分点改写——整理不满意时的退路 |

第三步 · 清洗（只用于整理稿/分类/总结/纪要；逐字稿绝不清洗）

去口水词（filler words：嗯 / 啊 / 那个 / 就是 / 然后），但保留关键原话（决策、承诺、数字、客户原话一字不改）；
智能加标点、按语义分段（semantic segmentation）——话题切换就另起一段，不机械按时间切；
长内容自动归纳分点——按分点判据执行（规则自带，弱模型照章执行也能分对）：一句话只说一件事；出现"还有 / 另外 / 对了 / 然后还有"等话题转折词即分新条；多条独立事项按 1/2/3/4 编号，有几点列几点、不强行凑数；
理顺颠倒语序、补残缺句——"明天下午客户我要对接"理顺成通顺书面语，不改原意。

第四步 · 输出骨架

模式一 · 逐字稿

【逐字稿】（原样记录，未经清洗；可疑听写字词标 [?]）
[00:00] 原句原句原句……
[00:12] 原句原句原句……
——
▸ 想要好读的版本？说「整理一下」我出整理稿；说「出纪要」我出完整纪要。

模式二 · 整理稿（默认）

【整理稿】
（清洗后的全文：标点齐全、按语义分段、多条事项自动分 1/2/3/4、
 语序通顺但忠实原意——不替用户改意思、不加观点）
——
▸ 输出菜单：逐字稿 / 分类整理 / 一句话总结 / 完整纪要 / 用原文，说一声就换。

模式三 · 分类整理

【分类整理】
一、＜类别标题＞（一句话点题）
  1. ……
  2. ……
二、＜类别标题＞
  1. ……
（类别只从内容里来，不硬造；用户指定维度就按用户的）

模式四 · 一句话总结

【一句话总结】
（1-2 句：这段录音核心是什么 / 定了什么）
关键词：A ｜ B ｜ C

模式五 · 完整纪要

📌 一句话摘要
  （这场到底定了什么 / 谈成了什么，没参会的人一眼看懂）

一、核心要点（自动分条 1/2/3/4）
  1. ……

✅ 关键决策
  - 决策 1（谁拍的板）

📋 待办清单
  - [ ] 事项 ｜ 责任人 ｜ 时限

💬 重点原话（3-5 句最关键的，带说话人）
  - "……"（谁说的）

❓ 待确认 / 悬而未决
  - 问题 1（没人拍板，列出等后续）

要更短（只要待办）或更长（逐项展开），说一句就调。

质量铁律（硬约束，违反即不可信）

不脑补：金额、日期、人名、数量、条款编号，必须与转写原文逐字一致；拿不准就标「待核实」，绝不凭常识替用户补。
不推断：决议、待办、责任人、时限，必须是录音里有人明确说过的；没人说的，归入「待确认」，不替人拍板。
不把未定当结论：讨论中的倾向性意见 ≠ 已定决策；决策进"✅"，倾向进"❓"。
忠实原意：整理稿只清排版与语序，不替用户改意思、不添加观点；原意拿不准就保守处理并标注，不"过度书面化"。
逐字稿的忠实在"不改"：逐字稿与整理稿方向相反——逐字稿一个字都不许动，清洗规则在逐字稿模式下全部失效。

模型依赖与诚实边界

不挑模型，不依赖模型档位：转写由技能内置的本地 Whisper 完成（离线、开源、CPU 可跑）；清洗规则、分点判据、质量铁律、结构化流程都是本技能自带逻辑，任何能对话的模型都能执行——就像微信输入法在千元手机端侧小模型上也能完成同类整理。规则写得具体，正是为了让弱模型照章执行也能做对；本技能不推荐、也不要求任何特定模型。
说话人分离（speaker diarization，说话人区分）不保证：能区分就标 A/B 或姓名；不能就按内容分角色（如"甲方/乙方"），并注明"说话人区分未经核实"。
方言 / 重口音 / 嘈杂环境识别率会下降，这是语音本身的物理现实（与模型档位无关）；关键数字、人名请对照 _ts.txt 时间戳回听原音频复核。
ASR base 模型有错字率：正式文书场景建议换 small/medium 模型重转（改脚本里模型名即可），或回听校对。

第五步 · 自检

[ ] 音频是否真的被转写成了文字（不是凭空编）？两个文件（纯文本 + 时间戳）都在？
[ ] 用户要的形态给对了吗？逐字稿是否一字未改、整理稿是否没动原意？
[ ] 分类整理的类别是否都来自内容本身？
[ ] 金额 / 日期 / 人名 / 数量是否逐字核对，没脑补？
[ ] 待办是否都有责任人和时限（没有就标"待定"）？决议待办是否都有人明确说过？
[ ] 是否区分了"已定"和"待确认"？
[ ] 超长录音是否分段处理后再合并，没有截断遗漏？

现场提示

拿一段自己上周的真实口述 / 会议 / 谈判录音当场试，再和自己手记对比，体感最强。
六种形态按需点菜，可叠加（如"逐字稿+完整纪要"一次都要）。

使用约定（每次执行都遵守）

缺必需信息 → 一次性追问：用简洁清单一次问清，不来回挤牙膏；能推断就先给、末尾留修正口子。
示例只是框架参考 → 必须按真实情况改写，不要逐字照搬：照抄模板 = 撞款，发出去没效果。结合用户自己的产品、客户、口吻重写。
做不出 / 信息不足时 → 给降级版，不硬编：说清缺什么，给一个"用现有条件也能交付"的简化版；涉及数据 / 事实查不到的，标「待核实」，绝不杜撰。