speech-recognize

Speech Recognize Skill

工作流程

每次语音识别请求，必须完整执行以下两步：

如果用户未提供音频文件路径或 URL，请先主动询问文件位置再执行第 1 步。

第 1 步：调用 ASR API

# 本地文件
npx tsx ${CLAUDE_PLUGIN_ROOT}/skills/speech-recognize/scripts/recognize.ts --filePath audios/my_audio.mp3

# 远程 URL
npx tsx ${CLAUDE_PLUGIN_ROOT}/skills/speech-recognize/scripts/recognize.ts --fileUrl https://example.com/audio.mp3

输出自动写入 output/results/<音频文件名>.json。脚本会根据输入文件名自动派生输出路径。

如果第 1 步执行失败或报错，请立即中止流程并向用户解释原因，不要执行第 2 步。

第 2 步：生成时间线 Markdown（必须执行）

npx tsx ${CLAUDE_PLUGIN_ROOT}/skills/speech-recognize/scripts/to-markdown.ts --input output/results/my_audio.json

输出自动写入 output/transcripts/<输入文件名>.md。生成后请向用户简要总结部分内容，并告知文件生成路径；无需将全部完整文本打印在对话框中。

参数参考

recognize.ts

参数	说明	来源
--filePath	本地音频文件路径	与 --fileUrl 二选一
--fileUrl	远程音频文件 URL	与 --filePath 二选一
--appId	火山引擎 App ID（数字 ID）	或设 BYTEDANCE_APP_ID 环境变量
--accessToken	火山引擎 Access Token	或设 BYTEDANCE_ACCESS_TOKEN 环境变量
--output	输出 JSON 路径	默认 output/results/<输入文件名>.json

to-markdown.ts

参数	说明	默认值
--input	输入 JSON 路径	output/results/<name>.json
--output	输出 Markdown 路径	output/transcripts/<输入文件名>.md

凭证获取

语音识别 API 使用火山引擎控制台中的两个凭证：

控制台字段	环境变量 / 参数	说明
App ID	BYTEDANCE_APP_ID / --appId	数字 ID，如 1234567890
Access Token	BYTEDANCE_ACCESS_TOKEN / --accessToken	长字符串

注意：控制台还有一个 Secret Key 字段，但语音识别 API 仅需上述两个凭证，请勿将 Secret Key 混用。

若环境变量未设置且用户未提供，请明确询问用户以上两项凭证（App ID 和 Access Token）。

环境变量（推荐）

export BYTEDANCE_APP_ID="你的App ID（数字）"
export BYTEDANCE_ACCESS_TOKEN="你的Access Token"

输出示例

transcript.md 的格式：

• 转写时间 / 音频时长 元信息
• 完整文本 — 全文，方便复制
• 时间线 — 逐句带时间戳，格式 00:01.2 - 00:04.5 文本内容

合并多个 transcript

当音频被分段识别后产生多个 transcript_*.md 时，使用 merge 脚本合并并保留分段标记：

npx tsx ${CLAUDE_PLUGIN_ROOT}/skills/speech-recognize/scripts/merge-transcripts.ts output/transcripts/<name>_000.md output/transcripts/<name>_001.md output/transcripts/<name>_002.md

• 每个分段以 ### 文件名 标题标记，清晰区分不同音频来源
• 时间线中的时间戳自动累加为绝对时间（从 0 开始）
• 完整文本和时间线均按分段分组展示

参数	说明	默认值
--output	输出 Markdown 路径	output/transcripts/<公共前缀>.md

依赖

• Node.js ≥ 18（内置 fetch、crypto、fs）
• npx tsx — 自动下载 TypeScript 执行器，无需预装