本地 ASR 语音转文字（MOSS 默认）

本 skill 提供本地语音识别服务，将音频或视频文件转换为结构化的 Markdown 文档。 本技能原名 funasr-transcribe；现以 local-asr 统一入口，默认引擎为 MOSS-MLX，FunASR 为可显式选择的保留后端。

功能概述

• 支持多种音视频格式（mp4、mov、mp3、wav、m4a、flac 等）
• 自动生成时间戳
• 支持说话人分离（diarization，默认启用）
• ONNX 加速模式：支持 paraformer-onnx 与实验性的 SenseVoice-Small ONNX
• MOSS-MLX 默认模式：Apple Silicon 上使用 MOSS 同时转写、标时间戳和区分匿名说话人；长录音分段后用 CAM++ 链接跨段标签
• FunASR 保留模式：显式指定 --model paraformer 或 --model paraformer-onnx 调用原管线
• 单人快速模式：--fast / "fast": true 关闭 diarization，不改变所选模型
• Paraformer ONNX 后处理优化：paraformer-onnx 单人/多人路径都会先 VAD 分段，再清理文本输出、恢复标点并输出句子级时间戳；单人路径使用全局标点恢复，多人路径使用逐段标点以保留 speaker 对齐
• 视频关键帧截图提取：视频默认自动提取，--no-slides 可跳过耗时截图步骤
• 声纹注册与说话人识别：本人声纹经认领注册后，后续转录自动识别并直接标注注册名；详见 references/speaker-registry.md
• 转录后自动附带 AI 总结提示词，Agent 可一步完成总结
• API 返回转录、截图、归档、摘要等阶段耗时；可通过 include_summary_prompt=false 跳过摘要准备
• 输出 Markdown 格式，便于阅读和编辑