会议录音转写与纪要整理

0. 先确认三件事

1. 音频从哪来：录音文件、视频文件，还是要从云端下载？格式是 wav / mp3 / m4a / mp4 里的哪种？
2. 能否上传云端：会议内容是否涉密？涉密会议只能走本地方案，绝不上传
3. 要不要区分说话人：多人讨论要标「谁说的」；单人汇报不需要

1. 环境准备

python3 -m pip install faster-whisper
# 非 wav / mp3 的音频先转格式（whisper 对 16k 单声道最友好）
ffmpeg -i input.m4a -ar 16000 -ac 1 output.wav

ffmpeg 没装会报 command not found，先确认系统里有（macOS：brew install ffmpeg）。

2. 本地转写：faster-whisper

pip 包名 faster-whisper，导入名 faster_whisper（下划线），别写混。

from faster_whisper import WhisperModel

model = WhisperModel("small", device="cpu", compute_type="int8")
segments, info = model.transcribe(
    "output.wav",
    language="zh",
    word_timestamps=True,
    vad_filter=True,          # 掐掉长静音，明显提速
)
for seg in segments:          # segments 是生成器，遍历时才真正开始计算
    print(f"[{seg.start:6.1f}-{seg.end:6.1f}] {seg.text}")

要点：

• segments 是生成器：transcribe() 返回后不遍历就不会计算，别以为它没跑
• CPU 用 compute_type="int8" 省内存提速；有 NVIDIA 显卡可改 device="cuda"
• 首次运行会自动下载模型，之后缓存在本地

3. 模型大小与取舍（最重要的决策）

⚠️ 中文效果提醒（务必如实告诉用户）：whisper 系列在中文上偏差较大，small 级别字错率约 22%，纯中文会议转出的稿子需要大量人工校对。

中文场景更好的选择：阿里 FunASR 的 SenseVoice-small，量化后约 250MB，字错率约 8%，可经 sherpa-onnx 纯 CPU 运行、不需要 Python。中文为主的会议优先试它。把「错字率 vs 速度 / 显卡」摆清楚，让用户自己选。

4. 需要区分说话人：whisperX

多人会议要分「谁说的」，用 whisperX（在 whisper 基础上做说话人分离 + 时间对齐）。

• 它会额外拉取说话人分离模型，下载量大、依赖较重，先确认网络与磁盘
• 说话人只会标成 SPEAKER_00 / SPEAKER_01 这类编号，具体是谁仍需人工对照

5. 本地 vs 云端

选择原则：涉密 / 敏感 → 本地；追求效果且不敏感 → 云端。

6. 纪要结构化模板

转写完不要直接把流水稿丢给用户，按下面结构整理：

参会人：
时间：
议题：
  1. ...
结论：
  - 就 X 达成一致：...
待办：
  - [ ] 谁 · 做什么 · 何时完成
未决事项：
  - X 尚无结论，待 Y 后确认

7. 从纪要提取待办

• 每条待办必须有责任人和时间点：缺谁就问、缺何时就写「时间待定」
• 原文含糊（「尽快」「回头弄」）的，标成「待确认」，不要替用户臆造截止日期
• 结论与讨论要分开：讨论过程不等于已定结论

8. 隐私与合规（硬提醒）

• 会议录音可能含商业机密、个人信息，默认走本地方案
• 上传云端前必须确认合规：取得参会人 / 公司许可，确认云服务的数据条款
• 转写稿和纪要也要注意存放位置，别随手放进共享目录

9. 常见坑自检

• 音频已转成 wav / mp3，采样率与声道合适
• 模型已选对（中文优先考虑 SenseVoice-small）
• 遍历了 segments 生成器，确实拿到了文本
• 转写稿人工校对过（中文错字率不低）
• 待办的责任人和时间都写清或标了「待确认」
• 已确认是否允许上传云端