# AudioScribe

基于火山引擎大模型录音文件识别 API 的录音转文字工具，支持说话人聚类分离。

## 功能特性

- 调用火山引擎大模型 ASR API 进行语音转写
- 支持说话人聚类分离（自动识别不同说话人）
- 自动生成 Markdown 格式的转写文档（按时间线排列，标注说话人）
- 同时输出原始 JSON 数据
- 支持 mp3、m4a 等常见音频格式

## 项目结构

```
AudioScribe/
├── transcribe_legacy.py   # 主脚本（APP ID + Access Token 认证）
├── transcribe_all.py      # 备用脚本（API Key 认证）
├── requirements.txt       # Python 依赖
├── .env                   # 环境变量配置（需自行创建）
├── tools/                 # 工具（ffmpeg 等）
├── docs/                  # API 文档
└── output/                # 转写结果输出目录
```

## 快速开始

### 1. 安装依赖

```bash
python -m venv .venv
.venv\Scripts\activate      # Windows
# source .venv/bin/activate  # Linux/macOS
pip install -r requirements.txt
```

### 2. 配置环境变量

在项目根目录创建 `.env` 文件：

```env
# 火山引擎 API 配置（旧版控制台 - APP ID + Access Token）
X_API_APP_KEY=你的APP_ID
X_API_ACCESS_KEY=你的Access_Token
X_API_RESOURCE_ID=volc.seedasr.auc

# S3 兼容对象存储配置（用于上传音频文件）
S3_ENDPOINT=https://your-s3-endpoint
S3_ACCESS_KEY_ID=your_access_key
S3_SECRET_ACCESS_KEY=your_secret_key
S3_BUCKET=audioscribe
```

`X_API_RESOURCE_ID` 可选值：
- `volc.bigasr.auc` — 大模型 ASR 1.0
- `volc.seedasr.auc` — 大模型 ASR 2.0（推荐，需旧版控制台认证）

### 3. 运行转写

```bash
python transcribe_legacy.py "音频文件.mp3"
```

输出文件将保存到 `output/` 目录：
- `{音频名}_转写结果.json` — 原始 API 返回数据
- `{音频名}_转写结果.md` — Markdown 格式转写文档

## 两个脚本的区别

| | `transcribe_legacy.py` | `transcribe_all.py` |
|---|---|---|
| 认证方式 | APP ID + Access Token（旧版控制台） | API Key（新版控制台） |
| 对象存储 | S3 兼容（boto3） | MinIO |
| 支持模型 | bigasr / seedasr | 仅 bigasr |
| 输出目录 | `output/` | 项目根目录 |

## 输出格式示例

Markdown 文档按时间线排列，标注说话人：

```markdown
# 转写结果

**源文件**: 示例.mp3
**音频时长**: 09:04.61
**说话人数量**: 5 人
**分句数量**: 183

---

## 按时间线

- **00:00.54 - 00:01.54** **说话人1** 已经检验了啊。
- **00:02.46 - 00:03.38** **说话人2** 来，你大概说一下嘛。
- **00:04.38 - 00:11.34** **说话人3** 就是计时，从比如说我们是5点钟下班儿……
```

## 依赖

- Python 3.8+
- requests
- python-dotenv
- boto3