AI原生转录·说话人识别·结构化输出

专为AI Agent设计的AssemblyAI转录工具，支持说话人识别、多语言翻译、结构化提取，输出Markdown与标准化JSON供下游工作流调用。

基本信息

• 技能名称?AssemblyAI advanced speech transcription
• 中文名称?AI原生转录·说话人识别·结构化输出
• 作者?tristanmanchester
• 分类?专业技能
• 版本?1.0.1
• 标签?speech-to-text, transcription, diarization, translation, llm-gateway, audio-processing, video-processing, speaker-identification, json-output, markdown-export, subtitle-generation, multi-language, agent-friendly, assemblyai, eu-routing

使用方法

使用说明
核心用法
AssemblyAI Transcribe是一个面向AI Agent的Node.js CLI工具，提供从音频/视频到结构化文本的完整处理链路。核心能力包括：
智能转录 ：自动路由 universal-3-pro 与 universal-2 模型，支持语言检测与代码切换
说话人管理 ：diarization（说话人分离）、手动映射、AssemblyAI原生说话人识别，支持合并显示名称
多语言处理 ：翻译至目标语言，匹配原始 utterance 时间戳
结构化提取 ：通过AssemblyAI LLM Gateway实现摘要、实体提取、JSON Schema输出
Agent友好输出 ：Markdown、规范化agent JSON、bundle清单，便于下游自动化
显著优点

1. 无依赖设计 ：单Node 18+文件，无需额外npm包，适合CI/CD与容器环境
2. 模型智能路由 ：自动选择最优模型，兼顾99+语言覆盖与12语言高精度场景
3. 输出多样性 ：单一命令生成Markdown、JSON、字幕、段落、句子、manifest等多格式
4. 说话人工作流完善 ：三层映射机制（手动→AI识别→默认标签），支持角色/姓名双模式
5. LLM原生集成 ：内置LLM Gateway调用，支持prompt模板与JSON Schema约束
6. 区域合规 ：可选EU数据中心路由（ api.eu.assemblyai.com ）
   潜在缺点与局限
   商业成本 ：AssemblyAI按音频时长计费，高频/长时长场景成本显著
   网络依赖 ：全程需互联网连接，无离线能力
   API Key管理 ：必须配置 ASSEMBLYAI_API_KEY ，多项目场景需注意Key与区域匹配
   语言覆盖限制 ： universal-3-pro 仅支持12种高精度语言，其余语言fallback至 universal-2
   说话人识别精度 ：依赖音频质量，嘈杂环境或相似声线可能误标
   LLM Gateway延迟 ：结构化提取需额外API调用，增加端到端时间
   适合人群
   AI Agent开发者 ：需要标准化、可解析的转录输出供下游LLM消费
   多语言内容团队 ：会议记录、播客、访谈的翻译与本地化工作流
   合规敏感企业 ：需EU数据驻留的金融机构、医疗组织
   自动化工程师 ：构建无人值守的批量音视频处理Pipeline
   常规风险
   数据隐私 ：音频上传至第三方云服务，敏感内容需评估DPA与数据处理条款
   API配额与限流 ：高并发场景需监控rate limit，设计指数退避重试
   成本控制 ：长音频/视频建议先切片或采样测试，避免意外高额账单
   输出一致性 ：模型更新可能导致细微差异，关键场景建议锁定模型版本
   Key泄露风险 ：环境变量注入为推荐方式，禁止硬编码或日志打印