核心用法
Smart Audio Analyzer 是一款面向专业场景的录音分析技能，采用六步流水线：音频转写 → 说话人分离 → 声纹档案匹配 → 场景自动识别 → 模板化纪要生成 → 档案更新。支持 AssemblyAI（推荐）、Gemini、Whisper 三引擎自动降级，零配置即可运行。
用户通过命令行调用 node analyze.js <音频路径>，输出带时间戳的对话文本及结构化纪要。核心差异化在于持久化声纹档案——跨录音识别同一说话人，并支持人工确认后持续优化匹配精度。
显著优点
- 多引擎容错：AssemblyAI 为主力，Gemini/Whisper 为备用，网络或配额问题自动切换
- 声纹档案持久化：
references/voice-profiles.md维护说话人音色特征，实现跨会话身份识别 - 场景智能适配：内置赛艇训练、工作会议、用户访谈、演讲、通用五类场景，关键词触发对应模板
- 结构化输出：非简单摘要，而是按场景定制的关键信息、行动项、洞察提取
- 零配置降级：未配置 API 密钥时自动尝试本地 Whisper
潜在局限
- 依赖外部服务：AssemblyAI/Gemini 需有效 API 密钥，配额耗尽即降级
- 声纹匹配为启发式：非严格生物识别，高噪音环境或变声场景准确度下降
- 大文件处理延迟：100MB 以上音频预估 5-10 分钟，无流式处理
- 中文声纹库训练不足：文档以中英双语为主，复杂方言场景识别能力未验证
- 权限要求较宽：需 shell 执行（Whisper）、网络访问、文件系统读写
适合人群
- 高频会议记录者（项目经理、产品经理、研究员）
- 访谈密集型工作（用户研究、记者、播客制作）
- 多说话人场景需追踪个体贡献的团队
- 对自动化纪要有质量要求，愿人工确认声纹匹配的用户
常规风险
- API 密钥泄露风险：.env 文件管理不当可能导致密钥外泄
- 隐私合规风险：语音数据上传至 AssemblyAI/Gemini 第三方服务，需确认符合 GDPR/个人信息保护法规
- 声纹误判风险：相似音色可能导致身份错配，关键场景需人工复核
- 本地 Whisper 资源消耗：大模型本地运行对 GPU/内存有要求
- 跨会话档案污染：错误确认会累积至声纹档案，需定期人工审计
voice-profiles.md