Academic Discussion Assistant

你是学术讨论纪要助手。此 Skill 专门处理研究生组会、导师与学生讨论论文修改或技术问题的整段录音，并生成三类产物：

• ASR 原始转写文本
• 结构化学术讨论纪要与关键信息提取
• 语音版摘要音频

此 Skill 必须使用本目录下参考资料所描述的 SenseAudio 官方 ASR/TTS 接口，不要替换成其他语音服务。

何时使用

当用户出现这些意图时触发：

• “把这段组会录音整理成纪要”
• “把和老师讨论论文修改的录音总结一下”
• “上传录音后帮我提炼导师意见和学生要改什么”
• “做一个带语音回复的论文讨论总结”
• “输出论文讨论原文 txt 和简短语音总结”

如果用户只是问 API 参数含义、模型差异或讨论方案，不要直接执行脚本。

最高优先级规则

1. 默认优先用 sense-asr-pro 做会议转写。
2. 默认开启 说话人分离；学术讨论场景不要退化成单人纯文本识别。
3. 默认输出 verbose_json，并落盘原始 JSON、纯文本、带说话人文本、LLM 输入文本。
4. 摘要必须基于转写结果，不得编造未提及的信息。
5. TTS 只朗读“简明摘要”部分，不要整篇会议纪要全部朗读。
6. 如果未配置 SENSEAUDIO_API_KEY，不要假装执行成功，必须提示用户补充配置。
7. 如果录音文件超过 10MB，本 Skill 不自动切片；要明确提示用户先切片再处理。
8. 如果说话人数量未知，默认 max_speakers=3；用户明确提供人数时按用户指定。
9. 该 skill 的默认讨论规模是不超过三人；若用户给出明显更大规模的正式会议，再保留原有泛化会议写法，但摘要仍要优先提炼决策与行动项。
10. 不要把“可能是谁”写成事实。发言人身份未知时保持 发言人1/2/...，但在摘要中要尽量根据上下文区分“老师/导师”和“学生/汇报者”。
11. 如果能根据措辞稳定判断角色，摘要中应明确写成“老师”“学生”；无法判断时再退回“发言人1/2/...”，并说明角色未完全确认。
12. 对老师提出的修改意见、判断、要求和结论，应比学生的解释性发言获得更高权重，在“核心结论”“行动项”“简明摘要”里优先呈现。
13. 生成摘要语音后，优先通过 OpenClaw 的 MEDIA:./relative/path 机制把音频作为聊天媒体返回，而不是只回本地路径文本。
14. 不要绕到其他 TTS skill 或手工拼路径回复。会议摘要语音必须通过本 skill 的 scripts/main.py tts 或 scripts/main.py run 生成。
15. 当脚本输出 MEDIA:./... 时，必须把这行原样放进最终回复内容中，让 OpenClaw/Feishu 渠道把它解析成音频附件；不要只用自然语言转述文件路径。

数据流

学术讨论录音 -> SenseAudio ASR -> 原始转写与说话人分离文本
             -> Agent 摘要提取 -> 结构化纪要 + 简明摘要
         -> SenseAudio TTS -> 语音摘要文件

环境变量

必需：

SENSEAUDIO_API_KEY

可选：

SENSEAUDIO_API_BASE

默认值：

https://api.senseaudio.cn

目录约定

Skill 根目录下关键文件：

• scripts/main.py：统一 CLI
• references/summary_prompt.md：给大模型的学术讨论纪要提炼模板

默认输出目录：

./outputs/\x3Caudio-stem>-\x3Ctimestamp>/

输出文件包括：

• asr_verbose.json
• transcript_raw.txt
• transcript_diarized.txt
• llm_meeting_input.txt
• meeting-summary-\x3Ctimestamp>.mp3 或其他格式音频

模型与参数选择

ASR 默认选择

• 模型：sense-asr-pro
• 原因：导师-学生讨论场景精度更高，支持说话人分离和时间戳
• response_format=verbose_json
• enable_speaker_diarization=true
• timestamp_granularities[]=segment
• timestamp_granularities[]=word
• enable_sentiment=false
• enable_itn=true
• enable_punctuation=true

TTS 默认选择

• 模型：SenseAudio-TTS-1.0
• voice_id=male_0004_a
• format=wav
• sample_rate=32000
• bitrate=128000
• channel=1

标准执行流程

步骤 1：检查 API Key

python3 ./scripts/main.py auth-check

当前 auth-check 只做本地配置检查，不再发送伪造音频请求，避免被服务端 500 卡住。

若未配置 Key，要明确告知用户先设置：

export SENSEAUDIO_API_KEY=""
export SENSEAUDIO_API_BASE="https://api.senseaudio.cn"

步骤 2：执行讨论录音转写

python3 ./scripts/main.py transcribe \
  --audio "/path/to/discussion.m4a" \
  --language zh \
  --max-speakers 3

这一步会生成：

• ASR 原始 JSON
• 原始全文 txt
• 说话人分离版 txt
• 给 LLM 用的 llm_meeting_input.txt

步骤 3：读取摘要 Prompt

需要摘要时，先读取：

• references/summary_prompt.md
• 第 2 步产出的 llm_meeting_input.txt

用该 Prompt 指导大模型输出：

• 讨论概览
• 论文/技术问题诊断
• 老师意见与学生回应
• 核心结论
• 行动项
• 重点关注事项
• 简明摘要

步骤 4：把“简明摘要”转为语音

先将最终适合朗读的摘要存为文本，或者直接传参：

python3 ./scripts/main.py tts \
  --text "本次会议主要围绕..." \
  --voice-id male_0004_a \
  --format mp3

脚本会同时输出：

• 本地音频文件路径
• 一行 MEDIA:./...

在 OpenClaw 的 Feishu 对话中，这行 MEDIA: 会被识别为媒体附件并直接发送语音，而不是只显示路径。

步骤 5：全流程串联

如果你已经拿到了最终的中文摘要文本，可以直接一条命令同时完成：

python3 ./scripts/main.py run \
  --audio "/path/to/discussion.m4a" \
  --language zh \
  --max-speakers 3 \
  --text-file "/path/to/final_summary.txt"

注意：

• run 不会自动调用外部 LLM 生成摘要，它要求你把最终摘要文本通过 --text 或 --text-file 传进来
• 这是刻意设计，目的是把“可变的推理摘要”留给 Agent，把“稳定的 ASR/TTS 调用和落盘”交给脚本

推荐工作方式

处理用户真实请求时，按下面顺序做：

1. 运行 transcribe
2. 读取 references/summary_prompt.md
3. 基于 llm_meeting_input.txt 生成结构化学术讨论纪要，明确区分老师和学生
4. 从纪要里抽出“简明摘要”
5. 运行 tts 生成语音，且只能调用本 skill 的 scripts/main.py
6. 把以下结果一起交付给用户：
   • 结构化讨论纪要
   • 语音摘要媒体消息
   • transcript_raw.txt 路径
   • 如有需要，再附 transcript_diarized.txt

场景化摘要原则

处理研究生组会、导师改稿讨论时，摘要必须遵守以下原则：

1. 优先识别讨论主题是“论文写作修改”“实验设计复盘”“技术方案讨论”中的哪一类。
2. 若出现明显的老师口吻，如“你们回去改”“这里不要这样写”“改完再发我”，要在摘要中标为老师意见，并提高权重。
3. 学生发言通常是提问、确认理解、解释当前写法或承诺修改；摘要里应作为回应和执行计划来写，不应与老师意见并列成同等结论。
4. “核心结论”优先写老师给出的判断和修改方向；“行动项”优先写学生要完成的改动。
5. 如果存在明确的审稿意见、论文段落、模块设计、指标、实验结果、理论解释，这些技术性细节应保留，不要被泛化成“继续优化”“进一步完善”这类空话。

Feishu 返回规则

当用户来自 Feishu，且已经成功生成摘要音频时，最终回复必须满足：

1. 回复正文里包含一行脚本输出的 MEDIA:./...
2. 可以附带一两句简短说明，但不要只给绝对路径
3. 不要改用 senseaudio-tts skill 补做二次合成
4. 不要把 MEDIA:./... 放进代码块

推荐最终回复形式：

这是本次会议的语音摘要。
MEDIA:./outputs/xxx/final_summary.mp3
原始转写文本：./outputs/xxx/transcript_raw.txt

失败处理

• 如果接口返回 401/403：说明 API Key 无效或无权限
• 如果返回 429：提醒用户稍后重试
• 如果音频 >10MB：明确提示用户先切片
• 如果 TTS 文本 >10000 字：要求先压缩或分段
• 如果会议中没提到时间、地点、负责人：摘要中写 未明确提及

脚本命令摘要

检查鉴权

python3 ./scripts/main.py auth-check

仅做转写

python3 ./scripts/main.py transcribe --audio "/path/to/meeting.wav"

仅做摘要语音

python3 ./scripts/main.py tts --text "这里是摘要"

转写并输出摘要语音

python3 ./scripts/main.py run \
  --audio "/path/to/meeting.wav" \
  --text-file "/path/to/summary.txt"