视频转逐字稿（标准流程）

把录音或视频链接转成文字稿，统一按以下样式和流程处理。

一、固定输出样式

[00:00:00] 说话人A：同一人连续说的完整的一段话……
[00:00:05] 说话人B：另一人接的完整的一段话……

规则：

• 每话轮只记一个开始时间戳（[HH:MM:SS]），不逐句打时间戳；
• 必须区分说话人（声纹聚类自动分，名字按内容推断后须经用户确认）；
• 同一说话人连续说的内容合并为一段完整的话，不要碎成短句。

二、流程（按顺序执行）

1. 获取音频

• 本地音频/视频文件：直接用（推荐）；
• 在线视频：请先用常规方式拿到本地文件后再处理（如 yt-dlp 下载公开视频，或在 App 里保存）；平台要求登录验证的，请用户自行完成下载。

2. 抽音频（统一转 16kHz 单声道 wav）

ffmpeg -y -i 输入.mp4 -vn -ar 16000 -ac 1 -c:a pcm_s16le 音频.wav

3. 转写 + 说话人分离 + 话轮合并（一键脚本）

python scripts/diarize_transcribe.py 音频.wav --speakers 2 --names "说话人1,说话人2" --out 逐字稿.txt

• --speakers：说话人数（访谈一般为 2）；
• --names：可选，名字顺序对应聚类标签 0,1,…；不填则输出"说话人A/B"；
• 脚本逻辑：faster-whisper 转写 → 每个片段提 ECAPA 声纹 embedding → 余弦聚类分说话人 → 连续同说话人片段合并为话轮。

4. 质检后交付

• small 模型有少量谐音误识别（如"太干货"→"太干活"），正式用途换 medium/large 模型或人工校一遍；
• 说话人名字为内容推断时，必须在交付时说明"名字是推断的，对不上请纠正"。

三、环境准备

需要 Python 环境，安装：

pip install faster-whisper speechbrain scikit-learn scipy soundfile

系统工具：ffmpeg、yt-dlp。

两个必记的坑

1. PyAV 必须 <19：PyAV 19.0.0 删掉了 av.open() 的 metadata_errors 参数，faster-whisper 1.2.1 仍在传它，会报 TypeError。固定安装 av==18.1.0，不要升级。
2. 模型下载时 httpx 报 Invalid port：如果本机 no_proxy 环境变量含 [::1] 方括号写法，huggingface_hub 解析不了。运行时覆盖：

   no_proxy="localhost,127.0.0.1" NO_PROXY="localhost,127.0.0.1" python scripts/diarize_transcribe.py ...

四、可选加速（云端 ASR）

本地转写吃 CPU/耗时较长时，可考虑云端 ASR 替代（按各自免费额度政策）：

• 硅基流动 SenseVoiceSmall：免费、OpenAI 兼容接口、中文识别强，适合替换本地转写；
• 腾讯云语音识别：新用户有免费资源包额度。

接入时做好"额度用尽降级回本地 faster-whisper"的兜底。