把转录、纪要、配音串成一条流水线，我这么搞

 

30 到 33 这四篇，把会议音频拆成了四件事：转录、说话人区分、摘要、配音。单看每步都好用，但每次手动点来点去也累。这篇把我怎么把它们串成一条流水线写出来，录音丢进去，音频出来，中间少动手。

四步散着用太累，我把它串起来了

前面四篇每篇解决一环：30 选型、31 本地搭、32 整理、33 配音。但真实场景是一连串：开完会，要转录、出纪要、再配音发音频号。

每步手动跑，光切工具就花十分钟。多模型那篇说的各干各的，这话对，但各干各的也得有人把活派下去。流水线就是干这个。

流水线的骨架：一段录音进，一条音频出

我定的目标是：丢一段会议录音进去，吐一条能发的音频出来。中间四步自动走：

本地 Whisper 转录，录音不出机。

WhisperX 标说话人，本地小模型出要点。

要点丢给配音，出音频。落盘等我扫。隐私那篇的分寸在这全程成立：敏感内容一直在本机，只有公开部分才上云配音。

我用 n8n 当胶水

串起来靠 n8n 这类开源工作流工具，或者 Coze 这类无代码工具也行。核心是监听一个文件夹，新录音进来就按节点顺序跑。

好处是一次配好长期免动手。代价是要先花半天把节点接对，参数传错就断在中间。我第一版卡在格式：WhisperX 的输出没清干净，下游小模型读不懂，白白跑空。

卡住的几个地方：格式、长音频、人名

格式最坑。各工具输入输出字段不一样，中间加一层清洗才稳。

长音频也坑。一个半小时直接喂，显存爆。先在本地切十分钟一段，和 31 篇说的拆段一个理。

人名得最后人工对。自动标出来的说话人只是代号，真名还得我填。和 32 篇说的转完扫一眼一个理。

我的态度：流水线省时间，不省判断

这条线跑顺后，一场会到一条音频，手动只花扫一遍的功夫。但它省的是操作，不省判断。

和副业先练手艺、隐私分寸是你的一个理：自动化帮你省力，不替你负责。纪要错处、配音冒用，锅还是你背。所以我的底线没变：机器跑流程，人拍板。

SOR元-根 · 只测真用得上的 AI 工具