Speech to Text Apis

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。

Install

skills CLI (Claude Code, Cursor, Codex and more)
npx skills add bleakbelladonnals/asr-transcription-skills --skill speech-to-text-apis
Manual install
git 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/speech-to-text-apis ~/.claude/skills/speech-to-text-apis

Personal skills live in ~/.claude/skills. Use .claude/skills in a project folder to share a skill with your team.

From the SKILL.md

# 多平台录音转写 API

## 触发条件
- 用户有录音(课程/会议 MP3/OGG 等)需要转成文字
- 需要对比多家转写引擎质量(写评测文章)
- 用户录音目录:`~/Documents/luyinwenjian/`,转写脚本在 `~/Documents/转写评测/8.7/`(2026-08 建)
- **视频内容分析**:小红书/YouTube 等平台的视频笔记,正文常只有钩子文案,真实内容在视频里 → 下载视频→ffmpeg 抽音频→Gemini 转写。实测 2026-08-14:小红书视频经 `opencli xiaohongshu download "<完整URL含xsec_token>"`(裸 note_id 会被拒;保存到 cwd 下 `./xiaohongshu-downloads/<note_id>/`),`ffmpeg -y -v quiet -i in.mp4 -ac 1 -ar 16000 -b:a 64k out.mp3` 后,4 分钟视频单段一次转写成功(无需分段)。低成本先试 `yt-dlp --write-sub --write-auto-sub --skip-download`(YouTube 走代理 7897),没字幕再走下载+转写

## 现成脚本(都在录音目录)
| 脚本 | 用途 |
|---|---|
| `gemini_transcribe.py` | Gemini 转写(切段→base64→generateContent) |
| `transcribe_multi.py` | 三平台统一入口(`--provider gemini|bailian|volc`) |
| `bailian_sdk_transcribe.py` | 百炼专用(dashscope SDK,本地文件路径) |

## 三平台调用要点(2026-08 实测)

### Gemini
- 模型:`gemini-3.6-flash`(**gemini-2.5-flash 已对 2026 年新用户关闭**,返回 404 "no longer available to new users")
- 端点:`https://generativelanguage.googleapis.com/v1beta/models/{model}:generateContent?key=KEY`,inline_data base64
- 免费层充足:72 分钟音频 ≈ 11.5 万 token,转一次 0 元
- 可用模型列表查询:`GET /v1beta/models?key=KEY`
- Key 文件:`gemini_key.txt`
- 术语强化:Gemini **没有热词 API**,但它是 LLM 解码——把课程术语表写进转写 prompt("本音频涉及术语:Claude Code、MCP…")即可起效。干净音频实测术语已 10/10 全对,prompt 术语表只是低成本加成

### 阿里百炼(坑最多)
- 推荐模型:`qwen3-asr-flash`(同步)或 `qwen3-asr-flash-filetrans`(异步,支持 12h/2GB)
- **OpenAI 兼容模式(chat/completions + input_audio)只接受公网 URL**,且请求体限 6.29MB——base64 会被拒("URL does not appear to be valid")
Read the full skill on GitHub

Details

Skill name
speech-to-text-apis
Path
media/speech-to-text-apis/SKILL.md
License
MIT
Repo updated
17 August 2026

FAQ

What does the Speech to Text Apis skill do?

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。

How do I install the Speech to Text Apis skill?

skills CLI (Claude Code, Cursor, Codex and more): npx skills add bleakbelladonnals/asr-transcription-skills --skill speech-to-text-apis. Skills go in ~/.claude/skills (personal) or .claude/skills (project), and Claude loads them automatically when a task matches the description.

Is Speech to Text Apis popular?

It lives in bleakbelladonnals/asr-transcription-skills, which has 9 GitHub stars and 0 forks.

Related skills

Asr Benchmarking

9

bleakbelladonnals/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。

Research & Science

Asr Transcription

9

bleakbelladonnals/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。

Images, Video & Audio

Asr Transcription Evaluation

9

bleakbelladonnals/asr-transcription-skills

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。

Images, Video & Audio

Transcription Quality Evaluation

9

bleakbelladonnals/asr-transcription-skills

对比评测录音转写产品/引擎(录音硬件端到端 vs 云转写模型):控制变量测试设计(2×2 音频×引擎)、ffmpeg 音频质量客观指标(响度/动态/底噪/削波/声道)、SRT 变体解析与统计、关键术语识别对照、内容锚点时间轴对齐、幻觉检测,输出对比矩阵。触发词:转写对比、转写质量、录音质量对比、ASR 评测、哪个转写好、录音笔对比、转写引擎对比。

Images, Video & Audio

Mxl Multimode

9

TaoELi/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.

Images, Video & Audio

Video Summary

9

HOWILLMAKEIT/skills

BibiGPT 风格视频总结:输入 Bilibili / YouTube 视频链接,快速抓取字幕/转写文本,并生成结构化总结(TL;DR、核心要点、章节时间线、金句,支持中英文)。Use when the user shares a video link (bilibili.com, b23.tv, youtube.com, youtu.be) and asks to summarize it, extract key points, get subtitles/transcript, 总结视频, 提炼要点, 视频笔记.

Images, Video & Audio

Browse the most popular Claude skills, all images, video & audio skills, or write your own with the skills generator.