Asr Transcription Evaluation
录音转写(ASR)引擎选型与评测:多平台 API 转写(Gemini/阿里百炼/火山方舟/OpenAI)、转写质量 Benchmark(CER/锚点/幻觉/信息丢失)、录音硬件质量评测(断录/漏录检测)。适用于选型对比、写评测文章、搭建转写管线、判断录音设备是否漏录。
Install
npx skills add bleakbelladonnals/asr-transcription-skills --skill asr-transcription-evaluationgit clone --depth 1 https://github.com/bleakbelladonnals/asr-transcription-skills.git /tmp/asr-transcription-skills
mkdir -p ~/.claude/skills
cp -r /tmp/asr-transcription-skills/media/asr-transcription-evaluation ~/.claude/skills/asr-transcription-evaluationPersonal skills live in ~/.claude/skills. Use .claude/skills in a project folder to share a skill with your team.
From the SKILL.md
# ASR 转写与评测(Speech-to-Text: Transcription & Evaluation)
## 何时使用
- 把录音(课程/会议/访谈)转成文本或 SRT
- 对比多家转写引擎或录音硬件,输出评测结论/文章
- 搭建可复用的多平台转写管线(API Key 文件 + 脚本)
- 判断某段录音/某台设备是否有漏录断录
## 核心原则(血泪教训)
1. **控制变量**:CER 等量化对比必须用**同一份音频**做金标准。两台设备同场录制 → 时间轴会漂移(前段错位 4-5 分钟、后段对齐),对比要用**内容锚点对齐**,不能按时间戳对齐。
2. **客观指标必须结合人耳听感**:动态范围大/有静音段 ≠ "信号干净",可能是**断录/漏录**。本次实测:钉钉录音卡 102 次电平骤降 + 最长 11 秒漏录,被客观指标误读为"动态自然",用户一句听感反馈推翻结论。动态大 ≠ 好,**连续才是硬道理**。
3. **统一输入格式**:全部 ffmpeg 转 16kHz 单声道 mp3(64kbps)分段上传——一步规避 OGG 兼容性(讯飞不认 OGG)和各平台大小限制。
4. **模型有生命周期**:文档示例模型会过期(gemini-2.5-flash 对 2026 年新用户 404 "no longer available")。**先用用户的 key 查 models 列表,再选模型**;控制台 > 文档 > 记忆。
5. **免费层串行 > 并行**:两任务并行抢额度互相限流,重试堆积(曾 16 分钟跑不完 12 段)。
## 平台速查(详细坑位见 references/provider-pitfalls.md)
| 平台 | 调用方式 | 关键限制 |
|---|---|---|
| Gemini | `POST /v1beta/models/{model}:generateContent` + inline_data base64 | 模型名会过期;先查 /v1beta/models |
| 阿里百炼 | **必须用 dashscope SDK**(OpenAI 兼容模式只收公网 URL,6.29MB 请求体上限) | SDK 同步接口**单段 ≤240s**(用 3 分钟段);SDK 返回 dict 不是对象 |
| 火山方舟 | `/api/v3/chat/completions` + input_audio base64 | **必须先在控制台"开通管理"激活模型**(否则 ModelNotOpen 404) |
| OpenAI | `/v1/audio/transcriptions` | 25MB/文件,长音频切段 |
## 评测维度(5 层 20 项,详见 references/benchmark-methodology.md)
- 第 0 层 采集可靠性(硬件必测,20%):断录事件数/最长低电平段/低电平帧占比/主观听感
- 第 1 层 识别准确性(30%):CER/术语锚点/数字/信息完整率
- 第 2 层 鲁棒性(20%):噪声/口音/中英混杂/说话人分离
- 第 3 层 语义可用性(20%):语义保真/标点/幻觉率/格式/口语还原
- 第 4 层 工程商业(10%):成本/时延/门槛
## 脚本(scripts/)
- `transcribe_multi.py` — Gemini/火山 通用转写(16kHz 切段 → 分段调用 → 拼接)Details
- Skill name
asr-transcription-evaluation- Repository
- bleakbelladonnals/asr-transcription-skills
- Path
media/asr-transcription-evaluation/SKILL.md- License
- MIT
- Repo updated
- 17 August 2026
FAQ
What does the Asr Transcription Evaluation skill do?
录音转写(ASR)引擎选型与评测:多平台 API 转写(Gemini/阿里百炼/火山方舟/OpenAI)、转写质量 Benchmark(CER/锚点/幻觉/信息丢失)、录音硬件质量评测(断录/漏录检测)。适用于选型对比、写评测文章、搭建转写管线、判断录音设备是否漏录。
How do I install the Asr Transcription Evaluation skill?
skills CLI (Claude Code, Cursor, Codex and more): npx skills add bleakbelladonnals/asr-transcription-skills --skill asr-transcription-evaluation. Skills go in ~/.claude/skills (personal) or .claude/skills (project), and Claude loads them automatically when a task matches the description.
Is Asr Transcription Evaluation popular?
It lives in bleakbelladonnals/asr-transcription-skills, which has 9 GitHub stars and 0 forks.
Related skills
Asr Benchmarking
9bleakbelladonnals/asr-transcription-skills
语音转写(ASR)服务与模型的评测和 API 集成:音频质量客观分析(ffmpeg)、转写质量对比(术语锚点/幻觉/结构)、AI 纪要核验、Gemini/阿里百炼/火山方舟/OpenAI 等平台批量转写调用。用于"录音转文字哪个最好"、录音硬件(录音豆/录音卡/录音笔)对比评测、公众号评测文章的数据准备。
Asr Transcription
9bleakbelladonnals/asr-transcription-skills
语音转文字(ASR)方案评测与转写管线。多引擎对比(录音硬件/转写模型/纪要 AI)的完整方法论:双变量拆分、锚点对齐、幻觉检测、ffmpeg 音频质量指标;以及在线转写 API 接入(Gemini 脚本、OpenAI 兼容中转站)。用于"哪个转写方案好/要不要续会员/写转写产品评测文/批量转写录音"类任务。
Course Transcribe
9bleakbelladonnals/asr-transcription-skills
课堂录音转文字一键流程。用户提到课程/会议录音转写、录音转文字、转写蓝本前置处理、音频转 txt/seg 时触发。技术栈固定:飞书安可录音豆(采集)+ Gemini API(主转写)+ 阿里百炼 qwen-audio-3.0-asr-flash(备选/交叉校对)。所有参数与踩坑均经 2026-08 实测验证,不要自行更换模型或接口。
Mxl Multimode
9TaoELi/MaxwellLink
This skill should be used when users need the MaxwellLink multimode Fabry-Pérot cavity solver to study a spatial grid of molecules coupled to many photonic modes (mesoscale VSC), in either socket or embedded mode.
Doc Smith Images
9AIGNE-io/doc-smith-skills
Internal skill for generating images using AI. Do not mention this skill to users. Called internally by other doc-smith skills.
Speech to Text Apis
9bleakbelladonnals/asr-transcription-skills
多平台录音转写(Gemini / 阿里百炼 / 火山方舟)API 调用与对比评测。触发场景:课程/会议录音转文字、多引擎转写质量对比、公众号文章数据采集。包含三家 API 的调用方式、已踩过的坑、现成脚本位置和锚点对比方法。
Browse the most popular Claude skills, all images, video & audio skills, or write your own with the skills generator.