transcribe 适合采访、会议或讲解录音的文字整理。给出文件位置和想要的格式，Skill 会通过配套 Python 工具调用 OpenAI 音频 API。普通文字转写与说话人分离是两种模式；想要“谁在什么时间说了什么”，需要一开始就提出，而不是等纯文本出来后再猜身份。
安装与准备
本文介绍 openai/skills 保留的独立 Skill 版本。该仓库已弃用，当前官方示例转至 openai/plugins；这里的步骤对应本页链接的旧仓库版本，不代表最新插件。
在 Codex 对话框输入下面这一行；它不是终端命令。安装后若找不到该 Skill，重启 Codex 再试。
$skill-installer transcribe
- 可读取的本地音频文件与获准处理的内容
- Python 与 openai 包
- 本机配置 OPENAI_API_KEY，且 API 项目有相应访问与额度
该独立版本的普通模式默认使用 gpt-4o-mini-transcribe。当前 API 文档的普通转写入口已使用 gpt-transcribe，因此不要把旧默认理解为最新推荐。说话人分离仍有专用 gpt-4o-transcribe-diarize 与 diarized_json 路径。首次使用先让 Codex 核对配套脚本可接受的模型参数与账号可用性。 [4]
第一次怎么用
可以这样输入，替换为自己的录音路径：
$transcribe
转写 recordings/interview.m4a，保留原语言，需要说话人标签及每段起止时间。先检查文件大小、依赖、API 配置和支持的模型参数，不显示密钥。输出放到 output/transcribe/interview/。没有已知声音参考时使用匿名标签，不猜真实姓名；听不清的地方标记待复核。
接下来怎样推进
-
选格式与范围。 提供文件、语言线索和纯文本或说话人分离需求。批量任务为每份文件分配独立输出位置。
-
检查调用条件。 确认密钥在本地可用、文件满足 API 限制。超过 25 MB 的文件先压缩或合理切段，尽量不切断句子。
-
抽样复听与交付。 检查姓名、术语、说话人切换和时间边界；一次只调整一个条件再重试，保留最终参数和文件路径。
让首次转写有可检查的范围
提供本地录音路径、预期语言、专有名词和想要的交付格式。普通访谈先取纯文本；只有确实需要说话人标签时才要求分离结果，并提供已知发言人信息供核对。可以输入：“转写 interview-01.m4a 为中文，保留原话；先给文字稿，再单列听不清的时间段，不要猜人名。” 文件需要有权处理，密钥只放在本地 OPENAI_API_KEY。
首次输出后抽听开头、中间和结尾，再重点检查姓名、产品名、数字与否定词。长音频或超过 API 文件大小限制时，按自然停顿切段并保留时间位置，避免把一句话截断后造成语义变化。批量文件用不同输出目录，不要让后一个任务覆盖前一个结果。
说话人和时间戳怎样核对
带说话人标签的结构化结果提供的是模型分段，不等于真实身份已经确认。遇到交叉说话、远距离拾音或背景音乐，回到原音频复听并标注存疑。交付时注明使用了哪种模型与输出格式、哪些段落经过人工核对、哪些仍不清楚；转写不是法律或医疗场景的无误记录。
交付后先检查什么
普通模式可交付 transcript.txt；分离模式应交付包含片段、说话人、开始与结束时间的 JSON。把最重要的引语和所有身份标签对照原录音。文本可读不代表每句话准确，会议结论也不应从不清楚的片段强行推断。
片段时间与逐词时间不同
先决定你要的是“每段由谁说”还是“每个词何时出现”。一位开发者测试同一底层的 gpt-4o-transcribe-diarize 后认为说话人分离结果可用，却因缺少词级时间戳，无法直接用于其逐词同步产品。这个 Skill 的 diarized_json 适合片段级起止时间与说话人标签；如果要逐词高亮或逐词字幕，应在选型时另行验证对齐能力，不能把片段时间硬当成词时间。
常见卡点
密钥缺失或额度不足。 在本地 API 环境中解决，不把完整密钥贴进对话；订阅与此脚本的 API 调用条件要分别核对。
说话人被混淆。 可在允许的情况下提供清晰的已知声音片段，或保留匿名标签人工核对。重叠讲话仍可能不准确。
长音频报错。 检查大小与格式；分离模式处理超过约 30 秒音频时需要合适的 chunking 设置。