shield_lock
金大哥
← 返回 Skill 列表
extension
分类: 效率与办公无需 API Key

面试录音复盘助手 — Interview Review

一个基于 FunASR SenseVoiceSmall 和 Claude Code 的面试录音全流程复盘 Skill。 将面试录音一键转写为文字，自动提取问答对，从准确度、完整度、结构、表达、亮点、 态度六个维度诊断分析每题作答质量，给出示范回答和知识点补充，最终输出完整复盘报告。

person作者: KLONG0hubModelScope
download下载资源包

Interview Review — 面试录音复盘

将面试录音转写为文字，提取 Q&A 对，从 6 个维度诊断分析每道题的回答质量，输出完整复盘报告。

参数

用户调用时传入：$ARGUMENTS（录音文件路径，如 "面试.wav"）

全流程（4 个阶段）

录音文件 → P1: FunASR转写 → P2: 格式校验 → P3: Q&A提取+分析 → P4: 输出复盘报告

环境准备（首次使用）

检查依赖是否安装：

pip install funasr numpy soundfile scipy torch

如需使用 GPU 推理，请安装 CUDA 版 torch。

模型缓存：首次运行会自动从 ModelScope 下载 SenseVoiceSmall 模型（约 893MB），默认缓存至 ~/.cache/funasr_models/。可通过 --model-dir 参数或 FUNASR_MODEL_DIR 环境变量自定义路径。

Phase 1: 语音转文字

使用本 skill 自带的 scripts/transcribe.py 脚本：

python scripts/transcribe.py "$ARGUMENTS" -o "<basename>.md" --bell
  • scripts/transcribe.py 位于 skill 安装目录下的 scripts/ 文件夹中
  • 如果提示找不到脚本，使用完整路径：<skill_dir>/scripts/transcribe.py
  • 输出文件名由输入推导：如 面试.wav → 面试.md

已知问题速查：

| 问题 | 症状 | 解决 | |------|------|------| | 中文路径 Bug | ERROR_FILE_NOT_FOUND | FunASR C++ 层编码限制。通过 --model-dir 指定纯 ASCII 路径，默认已在 ~/.cache/funasr_models/ | | OOM | allocate 30GB | 脚本已内置 60 秒分段推理，长音频自动切分 | | 首次下载慢 | 下载 ~893MB | 仅首次，后续直接使用缓存 |

等转写完成后（终端响铃），读取生成的 .md 文件。

Phase 2: 文档格式校验

检查转写输出：

  1. 文件非空
  2. 元信息表完整（日期、时长、语言、设备、RTF）
  3. 正文 ≥ 1000 字符
  4. 未出现大量乱码

Phase 3: Q&A 提取与多维度分析

3.1 通读全文，识别 Q&A

从转写中提取所有面试官问题 → 候选人回答对，按话题归类到：

  • 一、项目深挖 — 项目背景、技术方案、难点
  • 二、技术方案与架构 — 系统设计、方案选型
  • 三、Java 基础 / 八股文 — 集合类、包装类型、Spring、数据库等
  • 四、设计模式与原则 — 使用过的模式、SOLID 原则
  • 五、线程与并发 — 线程安全、锁、线程隔离
  • 六、HR 问题 — 工作经历、离职原因、加班、薪资
  • 七、反问环节 — 候选人提出的问题

注意：板块名称根据面试实际内容灵活调整。如面试偏 AI/Agent 方向则增加"AI/Agent 技术"板块。

3.2 六维度诊断框架

每题从以下维度分析：

| 维度 | 评估要点 | |------|----------| | 准确度 | 技术内容正确性，不会的有没有瞎编 | | 完整度 | 是否遗漏关键点，深度够不够 | | 结构 | 有无逻辑层次（总-分-总 / STAR 法则） | | 表达 | 是否简洁清晰，口语填充词多不多 | | 亮点 | 是否展示深度思考、用数据说话、延伸相关知识点 | | 态度 | 不会的问题有没有诚实承认、表达学习意愿 |

使用标记：

  • ❌ = 硬伤，必须改进
  • ⚠️ = 可优化
  • ✅ = 做对了

3.3 每题输出格式

### Qx: <问题概述>

**你的回答：**
> <从转写稿中提取的原话摘要>

**问题诊断：**
- ❌/⚠️/✅ 具体问题说明

**建议回答：**
> <改进后的示范回答，候选人可直接参考练习>

**知识点补充：**
- （如需要）关键概念解释、最佳实践等

Phase 4: 输出复盘报告

4.1 文件命名

<原文件名>-复盘分析.md（与录音文件同目录）。

4.2 文档结构

# <日期> 面试复盘分析

## 基本信息
（面试日期、时长、岗位、公司等）

## 一 ~ 七、分板块 Q&A 分析

## 整体评价
### ✅ 优势（3-5 项）
### ❌ 待改进（3-5 项）
### 🎯 重点突击方向（P0/P1/P2 优先级表格）

4.3 整体评价要求

  • 优势：具体指出哪些回答做得好，为什么好
  • 待改进：指出最严重、最影响面试结果的 3-5 个问题
  • 突击方向：按优先级排，P0 是面试失败的最可能原因
  • 如有多场面试数据，增加"趋势对比"板块

执行清单

  • [ ] P0 首次使用时确认依赖已安装（pip install funasr numpy soundfile scipy torch）
  • [ ] P1 运行 scripts/transcribe.py 转写音频
  • [ ] P1 确认 .md 文件已生成且正文 ≥ 1000 字符
  • [ ] P2 校验元信息表和正文质量
  • [ ] P3 通读全文，列出所有 Q&A 对
  • [ ] P3 按话题板块归类
  • [ ] P3 逐题 6 维度诊断，写建议回答和知识点补充
  • [ ] P4 撰写整体评价（优势/待改进/突击方向）
  • [ ] P4 输出最终 -复盘分析.md 文件
  • [ ] P4 检查文件结构完整、格式正确