播客转录 Skill
将播客音频下载并转录为 Markdown。支持小宇宙、喜马拉雅、直接音频地址、本地音频和 RSS 批量流程。
默认在本地使用 SenseVoice-Small(与视频类技能共用的 chubby_common/funasr.py 封装)。可选云端后端为阿里云百炼 DashScope 的 qwen3-asr-flash 和 Groq 的 whisper-large-v3-turbo,用户明确选择后才启用;音频会发送至云端并可能计费。
环境要求
以下命令在本 skill 目录运行,建议使用 Python 3.11 或更新版本:
python3 -m venv .venv
source .venv/bin/activate
python3 -m pip install -r requirements.txt
# macOS: brew install ffmpeg
# Ubuntu: sudo apt install ffmpeg
本地模型首次使用时需要下载。仅使用云端后端不需要 funasr 本地依赖;不支持的音频容器转换仍可能需要 ffmpeg。云端密钥通过安全环境配置,不能写入命令参数、转录稿或版本库。
单集与批量
python3 scripts/transcribe.py "https://www.xiaoyuzhoufm.com/episode/xxxxx" ./output \
--provider local
python3 scripts/transcribe.py "/你的音频目录/episode.mp3" ./output \
--provider local --language zh
python3 scripts/batch_transcribe.py --rss-url "替换为实际 RSS 地址" \
--output ./output --count 10 --provider local
将示例地址替换为实际来源。单集页面会尝试提取音频链接,提取失败时改用直接音频地址或本地文件。标准输出最后一行是成功生成的 Markdown 路径。
自动下载仅接受公网 HTTP(S) 直连地址,禁用代理和重定向,拒绝本地/私网地址。需要跳转或代理的来源,请先自行下载音频,再传入本地文件路径。
本地模型选择:SenseVoice-Small vs Qwen3-ASR-0.6B
--provider local 支持两个本地模型:SenseVoiceSmall(默认)和 qwen3-asr-0.6b:
python3 scripts/transcribe.py "/你的音频目录/episode.mp3" ./output --provider local
python3 scripts/transcribe.py "/你的音频目录/episode.mp3" ./output --provider local --model qwen3-asr-0.6b
qwen3-asr-0.6b 是可选重依赖,不在默认安装内,需自行 pip install qwen-asr transformers torch。
以下对比数据来自 2026-10 在 MacBook Pro(Apple M3 Pro,纯 CPU)上对 5 分钟中文播客的实测:
| SenseVoice-Small(默认) | Qwen3-ASR-0.6B(可选) |
|---|
| 速度 | RTF 0.11(5 分钟音频约 33 秒) | RTF 0.80(约 4 分钟,慢约 7 倍) |
| 专有名词 | 一般("岩茶"误作"盐茶",人名前后不一致) | 更稳("岩茶"、人名识别一致) |
| 主要风险 | 输出混入情感标签,正式文稿需清洗 | 有幻觉式改写风险("黄金加工厂"→"皇帝家族");无 ITN,数字输出为全文字 |
| 长音频 | VAD 自动分段,稳定 | 整段进模型;本后端已把 max_new_tokens 调到 4096 避免截断 |
| 适用场景 | CPU 默认选择,长播客友好 | GPU 机器,或对专名/人名准确性敏感的内容 |
两者质量互有胜负、没有代差。CPU 场景请保持默认 SenseVoice-Small;有 GPU 或专名敏感时再选 Qwen3-ASR-0.6B。
可选云端转录
| 后端 | 凭据环境变量 | 默认模型 |
|---|
local | 无 | SenseVoiceSmall(仅用于元数据记录) |
dashscope | DASHSCOPE_API_KEY | qwen3-asr-flash |
groq | GROQ_API_KEY | whisper-large-v3-turbo |
配置 DASHSCOPE_API_KEY 或 GROQ_API_KEY 后:
python3 scripts/transcribe.py "/你的音频目录/episode.mp3" ./output \
--provider dashscope --cloud-timeout 1800 \
--state-dir "$HOME/.local/state/chubbyskills/podcast"
python3 scripts/transcribe.py "/你的音频目录/episode.mp3" ./output \
--provider groq --cloud-timeout 1800 \
--state-dir "$HOME/.local/state/chubbyskills/podcast"
--provider 优先于 PODCAST_TRANSCRIBE_PROVIDER,都未指定时使用 local。批量入口支持同样的 provider、模型、语言、等待和状态目录参数,并把最终选项显式传给单集进程。
两个云端后端都是同步接口。DashScope 限制为编码后不超过 10MB、时长不超过 5 分钟(客户端在原始文件超过 7 MiB 时拒绝并提示改用本地 SenseVoice)。Groq 免费层单文件上限 25MB,达到上限的长音频会自动分片:ffmpeg 切成 20 分钟一段(约 9.6MB/段),逐段转录后按顺序拼接,时间戳自动累加偏移;分片进度逐段落盘,中断后重跑同一命令断点续传,不重复提交已完成分片;遇 429 按 Retry-After/指数退避等待。Groq 返回的分段时间戳会作为附录保留。分片和容器转换需要本机 ffmpeg。
云端任务恢复
默认状态目录为 ~/.local/state/chubbyskills/podcast;设置了 XDG_STATE_HOME 时使用其中的 chubbyskills/podcast。还可用 CHUBBY_PODCAST_STATE_DIR 或 --state-dir 指定。目录包含任务与转录内容,应按音频内容的隐私要求保存。
相同音频、provider、模型、语言和服务地址再次运行时,已有任务继续查询;已完成结果可以重新导出。提交结果不明确或服务端报告失败时,不自动重新提交。普通网络重试保留状态目录并重跑原命令即可。
--resubmit 明确创建新任务,可能重复计费。不要用它解决单纯的轮询超时。删除状态目录或改变输入配置也可能失去复用条件。客户端超时不等于服务端取消,也不代表没有计费。
完整仓库使用说明、统一入库和验证范围见云端转录说明。
产物与限制
产物为带 frontmatter、来源和转录后端标记的 Markdown。后端返回可用分段时保留时间戳;没有时间信息时不编造时间轴。
- 本地 SenseVoice-Small 只输出纯文本全文,不生成逐段时间戳(段数记为 1)。
- 本地 CPU 推理耗时受音频长度和机器配置影响。
- 转录可能有专有名词、数字或断句错误,引用前核对原始音频。
- 云端真实可用性、账号权限、音频兼容性和费用尚需独立验收。
- 本 skill 不提供通用说话人分离保证。
贡献与参考
可选云端转录需求最初来自 binyangzhu000-sudo 的 PR #3 和 Anil-matcha 的 PR #5(Atlas / MuAPI 实验后端,现已被 DashScope 后端取代,归属保留)。
合规声明
请遵守来源平台条款并尊重内容版权,控制请求频率。云端处理前确认自己有权向所选服务提交音频;下载和转录不会改变原内容的版权归属。