核心功能
AssemblyAI Transcribe 是一款面向专业用户的高精度语音转文字技能，通过调用 AssemblyAI 的 REST API 实现音频/视频的自动化转录。其核心能力覆盖三大场景：
1. 基础转录：支持本地文件上传（自动托管至 AssemblyAI 临时存储）或直接使用公开 URL，采用轮询机制等待转录完成
2. 多格式导出：原生支持 SRT/VTT 字幕格式生成，以及段落（paragraphs）/句子（sentences）级别的结构化文本导出
3. 高级参数：可通过 --config 传递 AssemblyAI 全部 API 参数，如说话人分离（speaker_labels）、自动摘要（summarization）、内容审核等
显著优势
- 工业级准确率：AssemblyAI 在英语语音识别基准测试中表现优异，支持多种口音和嘈杂环境
- 灵活的部署选项：支持美国（默认）与欧盟数据驻留（通过
ASSEMBLYAI_BASE_URL切换） - 开发者友好：Node.js 18+ 原生实现，无需额外依赖，配置通过环境变量完成
- 成本可控：按音频时长计费，无订阅门槛，适合间歇性使用
局限性与风险
| 维度 | 说明 |
|------|------|
| **网络依赖** | 必须联网调用 API，无法离线处理；大文件上传受带宽限制 |
| **语言支持** | 核心优势在英语，中文等非英语语言支持有限 |
| **隐私合规** | 音频数据需上传至 AssemblyAI 云端，敏感内容需评估数据驻留选项 |
| **API 限制** | 存在并发和速率限制，超长音频（>5小时）需分段处理 |
适用人群
- 播客/视频创作者需要快速生成字幕
- 研究人员处理访谈录音转文字
- 企业用户需要会议记录自动化（配合说话人分离）
- 开发者构建语音分析流水线
常规风险提示
- 密钥管理：
ASSEMBLYAI_API_KEY需严格保护，避免提交至版本控制 - 项目一致性：上传文件与转录请求必须使用同一 API 密钥项目，否则返回 403
- 成本预估：高级功能（摘要、说话人识别）可能产生额外费用，建议先用短音频测试
- EU 合规：如涉及 GDPR 场景，务必配置欧盟端点并确认数据处理协议
竞品对比
相较于 OpenAI Whisper（本地运行/成本固定但需自托管），AssemblyAI 提供更完善的云端生态（自动标点、摘要、章节检测）；相较于 AWS Transcribe，其定价更透明、集成更简单，但企业级 SLA 和方言覆盖稍逊。