706 Audio Transcribe Archive

把本地音频变成可长期使用的 706 原始语料包：原音频、严格版时间戳转录、说话人归属稿、素材学习笔记、索引记录。

适用场景

• 用户给出本地音频路径，要“相对准确转录”。
• 用户说这是一段活动/播客/会议/访谈的“原始语料”，后续要写回顾文。
• 用户希望把转录结果归档进某个 706 项目目录，如 by-project/mushanghai、by-project/2050。
• 用户问本地 Whisper / MLX 转录模型怎么复用、如何避免缓存丢失。
• 音频有多人发言，用户需要根据活动名单、日程、截图、Luma 页面、现场笔记等 metadata 对齐“谁说了什么”。
• 用户后续纠正 speaker identity 时，需要更新归档文档，把纠错依据写入 README/notes，避免后续再误归属。

不适用：短语音随手听写、公开视频字幕抓取、无需归档的临时转写。

固定本地资产

优先使用已经正式保存的本地模型和工具，不依赖 cache：

MODEL_DIR="$HOME/.local/share/transcription-models/mlx-community/whisper-large-v3-turbo"
TOOL_DIR="$HOME/.local/share/transcription-tools/mlx-whisper"

• 模型约 1.5GB。
• 工具 venv 约 941MB，包含 mlx_whisper 和固定 ffmpeg。
• 如果路径不存在，先提醒用户需要安装/恢复模型；不要假装可以离线运行。

归档位置

在目标项目内新建：

05-source/<slug>-<YYYY-MM-DD>/
├── README.md
├── audio/
│   └── <original-audio>
├── transcription-rerun-strict/
│   └── <raw whisper outputs>
└── notes/
    ├── <slug>-transcript-timestamped.md
    ├── <slug>-speaker-attributed.md
    └── project-study-notebook.md

若用户没有指定项目，按上下文判断；不确定时问一次。对 muShanghai，默认使用当前项目的 05-source/。

工作流

1. 检查音频

用 macOS 自带工具优先检查，避免 Homebrew ffmpeg 断链：

afinfo "/path/to/audio.m4a" | sed -n '1,80p'

记录：格式、声道、采样率、时长、文件大小。若需要转 wav，可用：

afconvert -f WAVE -d LEI16@16000 input.m4a /tmp/<slug>.wav

2. 复制原音频入库

把原音频复制到 audio/，不要只保留微信/下载目录引用。

3. 跑严格版转录

优先使用脚本：

$CODEX_HOME/skills/706-audio-transcribe-archive/scripts/transcribe_mlx_whisper.sh \
  "/path/to/audio.m4a" \
  "05-source/<slug>-<YYYY-MM-DD>/transcription-rerun-strict" \
  "<slug>-transcript"

脚本会使用正式模型目录、正式 venv、固定 ffmpeg，并输出 all 格式。

若手动执行，核心命令是：

PATH="$TOOL_DIR/bin:$PATH" "$TOOL_DIR/venv/bin/mlx_whisper" "/path/to/audio.m4a" \
  --model "$MODEL_DIR" \
  --language zh \
  --task transcribe \
  --output-format all \
  --output-dir "transcription-rerun-strict" \
  --output-name "<slug>-transcript" \
  --initial-prompt "中文现场分享/访谈/问答。保留 706、muShanghai、The Mu、人名、项目名等专名。不要把静音或掌声转成重复语气词。" \
  --condition-on-previous-text False \
  --compression-ratio-threshold 1.6 \
  --logprob-threshold -0.8 \
  --no-speech-threshold 0.5 \
  --word-timestamps True \
  --hallucination-silence-threshold 2

4. 质量检查

检查是否有 Whisper 幻觉：

• 大段重复“呃呃呃”“咱咱咱”“谢谢大家”。
• 明显长静音被转成重复语气词。
• 专名系统性错识别，如 706 被识别成“青六/金六/新六”。

如果质量差，重跑时：

• 关闭 condition-on-previous-text。
• 降低 compression-ratio-threshold。
• 使用更明确的 initial-prompt。
• 必要时先用 afconvert 转 16k mono wav。

5. 生成可读完整转录稿

从严格版 JSON 生成 notes/<slug>-transcript-timestamped.md。保留时间戳，开头写明：

• 来源音频。
• 转录模型。
• 质量说明。
• 自动归一化提示，例如 706、关怀小组 等。

6. 提取素材学习笔记

如果用户说要写回顾文、复盘、长文或“原始语料”，同时触发/参考 prewriting skill，输出 notes/project-study-notebook.md。至少包含：

• 一句话材料定位。
• 材料清单与缺口。
• 人物档案。
• 时间线。
• 可引用表达（标时间戳，提醒需回听复核）。
• 组织/流程/制度细节。
• 活动案例。
• 情感地形。
• 物与空间。
• 数字与数据。
• 叙事富矿。
• 对目标项目的可用启发。
• 待复核与待补材料。

7. 多人说话人对齐

当音频包含多人讲话时，额外输出 notes/<slug>-speaker-attributed.md。不要假装 Whisper 能自动识别人物；用上下文推断和外部 metadata 对齐，并明确置信度。

对齐顺序：

1. 先依据音频内部线索：自我介绍、主持串场、互相称呼、问答结构、主题连续性、时长。
2. 再吸收外部 metadata：活动名单截图、日程、报名页、Luma/Notion 页面、现场笔记、用户补充纠错。
3. 只在证据足够时给出姓名；不确定时使用功能标签，如 主持、嘉宾 A、观众提问。
4. 对每个 speaker block 标注置信度：高、中、低。
5. 如果名单里的人没有在音频中形成可靠可切分发言，写为“名单存在，但当前音频不可可靠切出”，不要硬分配。
6. 用户后续纠正时，以用户核实信息为准，更新所有相关文件中的 speaker map、标题、素材笔记和 README 质量说明。

speaker-attributed.md 建议结构：

# <title> 说话人归属转译稿（上下文推断版）

## 整理说明
- 未做声纹 diarization。
- 使用了哪些 metadata。
- 哪些归属来自用户后续人工核实。

## 说话人地图
- `00:00 - 00:10` Speaker（置信度：高/中/低）：说明。

## 逐段转译
### [00:00 - 00:10] Speaker（置信度：高/中/低）
...

8. 更新索引

更新目标项目的 INDEX.md 或对应 README，把新语料目录登记进去。不要移动无关文件。

清理规则

• 可清理：~/.cache/huggingface、~/.cache/uv，前提是正式模型和工具目录已存在。
• 不清理：~/.local/share/transcription-models/...、~/.local/share/transcription-tools/...，除非用户明确要求。
• 不误删：项目内 notes/*transcript-timestamped.md 是完整可读转录稿，notes/project-study-notebook.md 是写作素材，不属于缓存。

交付时说明

最终回复要告诉用户：

• 原音频、完整转录稿、素材笔记分别在哪里。
• 如果有多人发言，说明说话人归属稿在哪里，以及哪些姓名来自 metadata 或后续人工核实。
• 转录质量是否有风险，哪些专名/数字需要回听复核。
• 是否清理了缓存，以及保留了哪些正式本地资产。