yaya-skillsSAFE

From the repository's own README, as read at the audited commit. Badges and raw HTML are left out.

bash skills/yaya-xspace/run.sh "https://x.com/i/spaces/"
# → skills/yaya-xspace/out//distilled.md

The instruction file, verbatim from the audited commit — this is the text the model reads, and the surface the audit's instruction layer examines. Quoted here so you can judge it without cloning anything.

---
name: yaya-asr
description: Transcribes any audio or video file into speaker-labeled text entirely on the local machine — no cloud, no login, no API key. Outputs plain text, SRT subtitles, an A/B dialogue transcript, and structured JSON. Use when the user shares a recording (meeting, interview, podcast, lecture, voice memo) and wants a transcript, subtitles, or "谁说了什么"; or says "转写", "语音转文字", "会议纪要", "录音转文字", "做字幕", "who said what". Apple Silicon required for the fast MLX path.
version: 0.1.0
metadata:
  openclaw:
    homepage: https://github.com/eatmoreduck/yaya-skills#yaya-asr
    requires:
      anyBins:
        - uv
        - ffmpeg
---

# yaya-asr —— 本地语音转文字

**任意音频/视频 → 带说话人的文字稿。** 纯本地跑,音频不出你的机器;免费、零登录、不需要任何云端账号。

这是整个 yaya 系列的**原子能力**。它不认识任何业务概念(不知道什么是 Space、会议、播客)——只做一件事:音频进,文字出。

内部是**流水线**:转写(MLX/GPU)一开始就以后台进程拉起说话人分离([yaya-diarize](../yaya-diarize/),CPU),两者并行执行、互不争抢——分离已拆分为兄弟 skill,本 skill 只负责调用与合并。

## 何时使用

- 用户给你一个**录音/录像文件**(会议、访谈、播客、课程、语音备忘、手机录音)
- 用户要**字幕**(.srt)
- 用户问"**谁说了什么**"(需要说话人区分)
- 用户说"转写""录音转文字""会议纪要""做字幕"

**不适用**:想从 X Space 链接直接拿干货笔记 → 用 `yaya-xspace`(它会调用本 skill);实时录音转写(本工具处理已录好的文件)。

## 快速开始

```bash
bash {baseDir}/run.sh "/path/to/recording.m4a"
bash {baseDir}/run.sh "/path/to/meeting.mp4" --speakers 2
bash {baseDir}/run.sh "/path/to/talk.wav" -o ./output
```

首次运行自动建独立 venv、下两个模型(都免 HF token):转写模型 whisper-large-v3-turbo(**~1.5GB**,存 `~/.cache/huggingface/` 全局共享)+ 分离模型(~33MB,存本 skill `models/`)。国内拉 HF 慢可先 `export HF_ENDPOINT=https://hf-mirror.com`。

## 参数

| 参数 | 说明 |
|---|---|
| `--speakers N` | **强制聚成 N 类**(引擎语义=确切人数,**不是上限**)。素材人多就填实际活跃说话人数;人少的录音务必填真实人数;不给默认 12 类;`-1` 按阈值自动聚类(长音频易过分割) |
| `-o DIR` | 输出目录(默认与输入同目录) |
| `--no-diarize` | 只转写不分离(快,但没有 A/B 标签) |
| `--no-crosscheck` | 跳过双参数交叉校验(省一半时间) |
| `--keep-wav` | 保留中间 16k wav |

## 输出(标准格式,可被其它工具消费)

| 文件 | 内容 |
|---|---|
| `<name>.txt` | 纯文本 |
| `<name>.srt` | 字幕(不带说话人) |
| **`<name>.dialog.txt`** | ★ 带说话人的对话稿:`A:文本` |
| **`<name>.dialog.srt`** | ★ 带说话人的字幕 |
| **`<name>.labeled.json`** | ★ 结构化结果(`{speaker, start, text}`),供程序调用 |

> 下游工具请读 **`.labeled.json`**——这是稳定的机器接口,格式不会变。

## 环境要求

| 组件 | 用途 | 来源 |
|---|---|---|
| `uv` | 建 venv、下 Python | 需预装 |
| `ffmpeg` | 音频/视频转码 | 需预装(系统不自带) |
| `mlx-whisper` | 本地转写(**Apple Silicon 专用**) | 脚本自动装 |
| `sherpa-onnx` | 说话人分离 | 脚本自动装 |

> **非 Apple Silicon**:转写引擎需换成 `sherpa-onnx` 自带 ASR 或 `faster-whisper`(两者都有 Win/Linux 轮子)。分离部分(sherpa-onnx)本身已全平台。

## 上游与下游

- **被谁调用**:`yaya-xspace`(编排:下载 → 调本 skill → 蒸馏)
- **依赖**:`yaya-diarize`(说话人分离,转写时以后台进程并行调用,共享 venv 与模型)
- **不依赖任何下载/业务 skill**(单向依赖:上层依赖下层)

## 已知边界

1. **说话人编号是临时的**(A/B/C 按出场顺序),非真实姓名。
2. **不标注重叠语音**(两人同时说时归给一人)。
3. **不含下载功能**——只处理你已有的文件。
4. Whisper 有**同音字错误**("弦外之音"可能被转成"悬外之音")。搜索关键词时请配合模糊/拼音搜索,别只做精确匹配。

SAFEgrade B · trust 89/100 Nothing in the source contradicts what it says it does. Grade A is reserved for packages that have also passed the behavioural sandbox.

What the source does

Filesystem

none-observed

Network

declared (2 observation(s))

Shell

none-observed

Dependencies

pinned

Secrets in source

none-found

Findings (5)

assets/architecture.png

assets/banner.png

assets/styles/riso.png

skills/yaya-xspace/fonts/ZCOOLKuaiLe-Regular.ttf

skills/yaya-xspace/fonts/ZCOOLQingKeHuangYou-Regular.ttf

Gates applied: no_behavioural_pass.