Case: 长时间会议录音免费转文字并自动标注说话人 (meeting-audio-diarization)

[fogdragon]

Case 基本信息

• Case 标题：用 WorkBuddy 实现长时间会议录音免费转文字并自动标注说话人
• 使用场景：会议记录、访谈转录、播客字幕生成——需要将长时间录音转为文字并区分不同说话人
• 目标读者：需要处理会议纪要、访谈录音的开发者、记者、产品经理、内容团队
• 使用的 Skills：Bash（内置）——执行 Python 脚本、管理 conda 环境
• 是否需要外部账号或 API：需要 Hugging Face 账号 + Token（pyannote 模型授权）
• 是否涉及文件修改或对外发布：否，全本地处理

为什么值得收录

长时间会议录音转文字是一个通用需求，现有工具要么付费（录音笔+服务费），要么无法区分说话人。本案例展示了如何用 WorkBuddy 全程协调完成——从 API 方案到全本地方案的技术决策链路、6 个典型踩坑的解决过程、以及「AI 生成脚本 + 手动执行」的实用工作模式。

相比普通提示词，本案例提供了：

1. 完整的双方案对比（MiMo API → pyannote + Whisper 本地）
2. 说话人分离的工程难题（分片、重叠窗口、标签一致性）及解法
3. M1 Mac 上的环境兼容性排错清单（audioop、torchcodec、内存）
4. 可复用的脚本执行模式和任务指令模板

完整性检查

• 已搜索社区案例集和蓝皮书，确认场景或任务没有重复
• 如果与已有案例相近，已在 PR 中说明新增的 Skill、方法或交付差异
• 已描述真实使用场景（107 分钟会议录音）
• 已列出使用的 Skills 及其用途
• 已写明可复现的操作步骤（5 个阶段，每步有具体命令）
• 已展示 WorkBuddy 中的实际效果（交付物：分片脚本、说话人分离脚本、Whisper 转录脚本 + 输出格式示例）
• 已提供明确的验收标准（说话人数量正确、转录完整、标注一致）
• 已说明失败情况、限制或安全边界（6 个踩坑 + 完整安全与限制章节）
• 已删除密钥、个人信息和敏感数据（Token 已用 hf_xxxxx 脱敏）
• 图片和其他素材拥有公开使用权限（原始文章为作者本人发布）
• 本 PR 只提交一个 Case

结果证明

原始文章为微信公众号原创文章，作者本人（fogdragon/Huangyong）。文章中包含了完整的命令行执行输出结果（说话人分离统计、转录输出格式样例）。本案例中的代码片段、命令行输出均来自真实执行过程。

编辑授权

• 同意维护者在不改变事实的前提下调整标题、结构和文字
• 同意案例在保留署名的前提下被进一步整理进蓝皮书正文