语音转写（ASR）

语音转写（ASR） 用于把音频或视频文件识别为文字。它是桌面端本地内置 AI 能力，出现在「常用智能能力 / 语音识别」中，适合会议录音整理、视频字幕生成、语音资料归档等场景。

先选使用方式

方式	怎么用	适合人群
可视化编排（推荐）	拖入 语音转写（ASR），选择音频/视频文件并运行	需要快速得到文本或字幕的用户
代码编排（执行指令 XML）	通过 ASRTranscribe 动态传入文件路径	需要批量转写的用户

什么时候用？

• 把会议录音、访谈音频转成文字。
• 给视频生成 SRT 字幕。
• 批量处理本地音频文件，并把文本交给后续大模型总结。

使用前确认

• input 必须是本地可读取的音频或视频文件。
• 支持常见格式：.mp3、.wav、.m4a、.flac、.mp4、.mov 等。
• 文件越长，转写耗时越久。

参数说明

界面名称	代码属性名	类型	必填	默认值	说明
音频/视频文件	input	File	是	-	本地音频或视频文件路径。
模型	model	String	否	whisper-1	语音识别模型。
输出格式	format	Enum	否	text	text 输出纯文本，srt 输出字幕。
语言	language	String	否	自动识别	ISO 语言码，例如 zh、en、ja。
输出目录	outputDir	Directory	否	默认输出目录	保存转写结果文件。
将结果保存至	outKey	Output	是	当前节点	保存转写结果对象。

输出参数

字段	类型	说明
text	String	识别出的文字内容。
file	String	转写结果保存到的本地文件路径。
inputFile	String	输入文件路径。
format	String	输出格式。
model	String	实际使用模型。

成功标准

• 节点运行成功。
• 输出变量包含 text。
• 本地输出目录中生成 .txt 或 .srt 文件。

失败排查

报错 / 现象	可能原因	处理建议
ASRTranscribe requires "input"	未选择文件	选择本地音频或视频文件。
ASRTranscribe 失败	文件无法读取或服务异常	检查文件路径、格式和网络服务。
文本为空或乱码	音频质量差或语言识别不准	指定 language，或换更清晰的音频。
字幕时间轴不理想	模型返回的字幕信息不稳定	改用纯文本输出，或用字幕工具二次校正。

代码编排

<ASRTranscribe
  input="/Users/example/audio.mp3"
  format="text"
  language="zh"
  outKey="asrResult"
/>

相关指令

• AI 视频生成
• 大模型