核心功能与用法
本技能提供一站式音频歌词转录解决方案，通过调用 OpenAI Whisper 或 ElevenLabs Scribe API，将歌曲音频转换为带时间戳的歌词文件。支持三种输出格式：LRC（卡拉 OK 格式）、SRT（字幕格式）和 JSON（结构化数据）。核心工作流包括：前置 API 密钥检查 → 音频转录 → 后处理人工校正。
典型使用流程：
1. 检查 API 密钥配置（config --check-key）
2. 配置目标服务商密钥（OpenAI 或 ElevenLabs）
3. 执行转录命令，指定音频路径、语言代码和输出格式
4. 读取生成的 LRC 文件，对照原始歌词进行人工修正
5. 输出最终校正版 LRC 用于 MV 渲染
转录参数支持语言代码（zh/en/ja 等）、输出格式覆盖和自定义输出路径。默认输出目录为 acestep_output/，时间戳精度可达单词级别。
显著优势
- 双服务商冗余：OpenAI Whisper 与 ElevenLabs Scribe 双引擎，可根据成本、质量需求切换
- 多格式兼容：原生支持 LRC（逐行）、SRT（字幕）、JSON（开发友好）三种输出
- 词级时间戳：两种 API 均支持细粒度时间对齐，满足精准字幕需求
- 配置管理规范：通过专用脚本统一管理密钥，内置密钥掩码保护，避免敏感信息泄露
- 后置校正机制：强制要求人工校验环节，明确标注常见转录错误类型（专有名词、谐音词、分词错误），提升最终输出质量
潜在局限与风险
转录质量固有缺陷：
- 语音识别模型对歌曲转录效果逊于朗读语音，专有名词（如 "ACE-Step"→"AC step"）、谐音词（"arrives"→"eyes"）、连读分词错误频发
- 强制依赖人工校正环节，无法全自动流水线作业
成本与依赖：
- OpenAI Whisper 定价 $0.006/分钟，ElevenLabs 按套餐计费，批量处理需预算规划
- 完全依赖第三方 API，存在服务中断、速率限制、定价调整风险
技术门槛：
- 需用户自行申请 API 密钥并完成账户计费设置
- 命令行操作模式对非技术用户不够友好
适合人群
- 音乐视频（MV）制作者，需要快速生成时间轴对齐的歌词字幕
- 音乐平台运营者，批量生产卡拉 OK 格式歌词文件
- 音乐研究者或歌词网站维护者，需结构化歌词数据
- 具备基础命令行操作能力、能接受 API 成本的内容创作者
常规风险提示
| 风险类别 | 具体表现 | 缓解措施 |
|---------|---------|---------|
| API 成本失控 | 长音频或批量任务产生意外费用 | 转录前估算时长，设置用量监控 |
| 隐私泄露 | 音频文件上传至第三方云 API | 避免处理敏感或未发布作品，阅读服务商隐私条款 |
| 转录错误未校正 | 直接用于 MV 导致字幕与演唱错位 | 严格执行 Post-Transcription Correction 流程 |
| 密钥管理不当 | API key 硬编码或意外暴露 | 使用技能提供的 `config --set` 机制，禁止直接读取密钥文件 |