核心能力
本 Skill 提供腾讯云官方 ASR 服务的一站式接入，覆盖三种识别模式：SentenceRecognition（≤60s 短音频同步识别）、Flash ASR（≤2h/100MB 极速同步识别）、CreateRecTask（≤5h 超长音频异步轮询）。支持中文普通话、英语、粤语、日语、韩语等 20+ 语言，以及上海话、四川话、武汉话等 23 种方言，音频格式兼容 wav、mp3、m4a、flac 等主流格式。
显著优点
智能路由与自动化：内置 inspect_audio.py 预检脚本，优先使用 ffprobe 自动探测音频时长、采样率、声道数，并据此智能选择最优识别脚本；ensure_ffmpeg.py 自动通过系统包管理器安装 FFmpeg，大幅降低环境配置门槛。
多模态输出能力：支持基础文本、词级时间戳、语义分段、口语转书面、说话人分离（speaker diarization）、字幕模式（SRT/VTT 友好）等多种结果格式，满足从简单转写到专业字幕制作的全链路需求。
零代码干扰设计：密钥获取采用「白话沟通」原则，Agent 直接用自然语言向用户索取，后台自动注入环境变量，不向用户暴露 export、PowerShell 等底层命令，体验流畅。
CLI 后端兼容性：专为 OpenClaw 等 CLI transcription 宿主系统设计，提供 cli_transcribe.py 统一入口，宿主系统只需获取纯文本结果，无需处理多模态模型直接听音频的复杂性。
潜在局限
密钥依赖门槛：必须配置 TENCENTCLOUD_SECRET_ID、TENCENT_SECRET_KEY，Flash 模式额外需要 TENCENTCLOUD_APPID，对于完全无腾讯云账号的用户存在初始开通成本。
网络与格式约束：Flash 模式最终通过 HTTP body 上传，大文件需本地切片；异步 URL 模式依赖公网可下载链接，私有化部署场景需要额外 COS 或自建存储。
实时性边界：异步任务（file_recognize.py）需轮询等待，1 小时音频通常需 1-3 分钟出结果，非毫秒级实时流式识别场景（如直播同传）需选用其他方案。
适合人群
- 需要批量处理会议录音、播客、访谈的内容创作者与运营团队
- 构建语音笔记、知识管理工具的开发者（尤其 OpenClaw 用户）
- 需要自动生成字幕、语义分段文稿的短视频与在线教育从业者
- 企业 IT 部门快速搭建内部语音转写服务，替代人工听写
常规风险
隐私合规：音频上传至腾讯云处理，涉密或敏感内容需评估数据出境与存储合规性；建议优先使用 URL 模式，避免本地上传大文件。
成本控制：Flash 模式按调用次数与音频时长计费，长音频切片策略不当可能导致费用叠加；建议严格遵循「先探测后选择」规则，避免误用异步接口处理短音频。
错误处理依赖：Agent 严禁在 ASR 调用失败时自行编造内容，必须返回清晰错误；用户需理解网络超时、格式不兼容、密钥权限不足等典型故障场景。