在日常工作或學習中，我們常需要處理大量的會議錄音或影片，並將其轉換成文字紀錄。手打逐字稿不僅耗時，還容易讓人感到疲倦。為了解決這個需求，我開發了 audio-transcriber skill 這款工具。它能讀取音訊（如 .mp3）與影音檔（如 .mp4），並透過 AI 輔助自動轉錄為逐字稿，大幅提升工作效率。
雙引擎架構
為了適應不同的轉錄情境，audio-transcriber 採用了雙引擎設計，使用者可以依據需求無縫切換：
引擎一：Gemini API（預設）
- 優勢：能夠應付長達 4.5 小時的長音訊與影片。此外，它原生支援多國語言，轉錄時能直接輸出原始語言，避免產生多餘的翻譯誤差。
- 適用場景與成本：非常適合日常一般的轉錄需求。只要使用免費版的 Gemini API 額度即可輕鬆應付。（註：若您重視資料隱私，不希望語音資料被 Google 用於模型訓練，建議配置付費版 API 金鑰）。
引擎二：AssemblyAI API
- 優勢：專精於「高精度說話者分離（Speaker Diarization）」，能精準分辨出對話中「是誰說了哪句話」。
- 適用場景與成本：特別針對 3 人以上的多人會議設計。AssemblyAI 提供新用戶 50 美元的初始免費額度，這筆額度大約足以免費處理數百小時的音訊。
- 隱私與安全性：AssemblyAI 在其條款中明確承諾，不會使用客戶的 API 輸入或輸出資料來訓練他們的基礎 AI 模型。您可以前往他們的 Protecting your data is our priority 網頁查閱。
- 🎉 專屬註冊推薦：如果您還沒有 AssemblyAI 帳號，歡迎透過我的專屬推薦連結註冊。
自動音訊壓縮機制
遇到體積龐大的錄音或影片檔怎麼辦？不用擔心，當上傳的檔案超過 20MB 時，系統會在背景自動透過 FFmpeg 將其壓縮為 32kbps 的 .ogg (Opus) 格式。
這樣做能解決幾個常見的痛點：
- 提升穩定性：檔案體積大幅縮小後，不僅上傳速度翻倍，還能極大程度地避免 API 傳輸時發生網路超時（Timeout）的問題。
- 維持辨識品質：Opus 格式專為人類語音最佳化，即使在極致壓縮的情況下，仍能完美保留轉錄所需的聲學特徵，不會影響 AI 語音辨識的精準度。
- 處理速度快：實際測試中，一段約一個半小時（90分鐘）的錄音檔，大約可在 10 分鐘內完成逐字稿輸出。不過，轉錄速度會因音訊內容的「語音密集度」而有所不同。例如單人發言密集的演講，因為字數多，輸出速度會慢一些；若是多人討論且對話常有停頓間隔的會議，轉錄速度則會更為迅速。
怎麼用
audio-transcriber 並不是一個獨立執行的應用程式，而是一個用來擴充 AI Agent 能力的 Skill（技能）。安裝這個技能，你的 AI 助手就能直接在聊天視窗中具備處理音訊與影片轉錄的能力。
這款技能的程式碼已經開源，您可以前往 GitHub 取得專案： 👉 GitHub 專案網址：audio-transcriber
1. 技能安裝位置
請將從 GitHub 下載下來的 audio-transcriber 整個資料夾，放置到您 AI Agent 專屬的 skills 目錄下。
2. 金鑰與配置設定 (.env)
為了讓技能順利呼叫 API 進行轉錄，您需要配置對應的 API 金鑰：
- 進入
audio-transcriber技能資料夾中。 - 找到名為
.env.example的檔案，將其複製並重新命名為.env（請注意檔案名稱前面有一個小數點）。 - 使用文字編輯器打開
.env檔案，填入您的 API Key：- 如果您主要使用 Gemini，請填寫
GEMINI_API_KEY。 - 如果您需要使用多人會議的高精度分離，請填寫
ASSEMBLYAI_API_KEY。 - （兩者擇一填寫即可運作；若兩者皆填寫，則可依據指令靈活切換雙引擎）。
- 如果您主要使用 Gemini，請填寫
💡 貼心提示（系統自動安裝環境機制）：
雖然文件上提及需要安裝 FFmpeg 及必要的 Python 套件（如 google-genai, assemblyai），但在實際搭配 AI Agent 運行此技能時，即使您沒有預先安裝這些環境套件，系統在執行過程中若偵測到缺失，也會主動嘗試為您自動安裝。您只需要確保正確放入資料夾並設定好 .env 金鑰即可，大幅降低了使用的門檻。
3. 向 AI 下指令
要使用 audio-transcriber，操作非常直覺。在您的 AI Agent 工具中，不論是透過 @code>@</code 提及檔案、直接拖曳上傳，或是輸入含有路徑的檔案名稱，只要將要轉錄的音訊或影片檔指定給 AI，並搭配簡單的提示詞即可觸發。
指令範例展示：(以下範例中的 [錄音檔/影片檔] 代表您指定的音訊或影片檔案)
- 一般轉錄（預設 Gemini）：「請幫我把這個
[錄音.mp3]轉錄成逐字稿。」 - 多人會議（啟用 AssemblyAI 說話者分離）：「這是一場多人會議，請幫將
[會議錄音.mp3]轉錄成逐字稿，並精準區分不同的發言者。」(若未配置 AssemblyAI 金鑰，系統會無縫降級回 Gemini 繼續處理) - 指定說話者名稱：可協助 AI 辨識發言者身分，例如：「請轉錄
[會議錄音.mp3]。其中第 1 位發言者是甲，第 2 位發言者是乙。」(若未指定，AI 也會自動以代號標註，事後您可輕鬆辨識與一鍵替換) - 可提供常用詞彙表（提升辨識精度）：若音訊中包含特定的專有名詞、縮寫或冷門人名，可以事先提供給 AI 避免聽錯。例如在提示詞最後，加上：「常用詞彙包含：年中獎金、附表」
但偶爾 Gemini 也會辨識出牛頭不對馬嘴的逐字稿，或是一小段話一直重覆。此時只好再重新執行此項技能。或是配置 AssemblyAI 的 API key，並指定改用 Assemblay AI 來轉錄成逐字稿。
4. 輸出結果：產出生肉檔與熟肉檔
在轉錄完成後，您會看到系統產生了兩個 Markdown 檔案：生肉檔 (-raw.md) 與熟肉檔 (-transcript.md)：
- Raw 檔（生肉檔）：這是語音辨識 API 第一時間聽打下來的原始口語紀錄。它是一字不漏的「生數據」，包含所有的口頭贅字、發言停頓以及逐句的時間戳記。
- Transcript 檔（熟肉檔）：這是經過 AI 重新整理後的精美排版成品。AI 會在不偏離原意的前提下，自動合併連續發言、清理重複贅字，並將格式整理得乾淨易讀。您最終可以直接閱讀並使用這份「熟肉檔」。
有必要保留生肉檔嗎？ 既然熟肉檔已經是精美成品，為什麼系統不直接刪除生肉檔？這主要是基於以下考量：
- 防 AI 幻覺與漏字的反查依據（唯一用途）：AI 在「炒熟」的整理過程中（合併句子、潤飾口語），有極小機率會因為幻覺而不小心漏掉、誤解某些專業術語，甚至可能微幅改動原意。保留生肉檔能讓您在有疑問時，隨時反查最原始的語音識別文字與精確時間戳記。
- 您也可以直接刪除它：如果您確認 AI 產出的「熟肉檔」品質符合預期，不需要進行繁複的細節核對，生肉檔在轉錄完成後是可以直接手動刪除的，完全不影響後續使用。
實際產出的「熟肉檔」格式範例：
最終的逐字稿會自動以清晰的「時間戳記」搭配「說話者標籤」呈現，無論是事後回顧、作筆記還是拷貝引用都非常方便：
[00:00:05] 說話者A：大家好，歡迎參加今天的專案啟動會議。首先我們來確認一下目前的進度。
[00:00:15] 說話者B：好的，目前第一階段的開發已經初步完成，測試方面也沒有遇到太大的問題。
[00:00:28] 說話者A：很好，那我們預計下週二可以進行第一次的內部展示嗎？
[00:00:35] 說話者B：沒問題，我會在週一前把展示用的系統環境架設好。
結語
Audio-transcriber 透過雙引擎的彈性選擇與自動壓縮機制，提供了一個穩定、高效且易於使用的轉錄解決方案。無論是個人筆記、課堂錄音還是多人的會議紀錄，它都能為您節省大量的時間。歡迎前往 GitHub 下載嘗試，也期待您的使用反饋！