LAS 语音识别（las_asr_pro）

支持将音频/视频转写为文字，可选说话人分离、情绪/性别识别、多语种自动识别。

设计模式

本 skill 主要采用：

• Tool Wrapper：封装 lasutil CLI 调用
• Pipeline：包含 Step 0 → Step N 的顺序工作流

核心 API 与配置

• 算子 ID: las_asr_pro
• API: 异步（submit → poll）
• 环境变量: LAS_API_KEY (必填)

详细参数与接口定义见 references/api.md。

Gotchas

• 格式易错：audio.format 必须是容器格式（wav/mp3/m4a），非编码格式。不确定时用 ffprobe 确认。
• 密钥安全：若聊天框屏蔽密钥，让用户在当前目录创建 env.sh 并写入 export LAS_API_KEY="..."，SDK 会自动读取。
• 免责声明：最终回复结果时必须包含："本方式的计费均为预估计费，与实际费用有差距，实际费用以运行后火山产生的账单为准。计费说明请参考 Volcengine LAS 定价。"，且禁止使用"实际费用"字眼描述预估价。

工作流（严格按步骤执行）

复制此清单并跟踪进度：

执行进度：
- [ ] Step 0: 前置检查
- [ ] Step 1: 初始化与准备
- [ ] Step 2: 预估价格
- [ ] Step 3: 提交任务
- [ ] Step 4: 异步查询
- [ ] Step 5: 结果呈现

Step 0: 前置检查（⚠️ 必须在第一轮对话中完成）

在接受用户的任务后，不要立即开始执行，必须首先进行以下环境检查：

1. 检查 LAS_API_KEY 与 LAS_REGION：确认环境变量或 .env 中是否已配置。
   • 若无，必须立即向用户索要（提示：LAS_REGION 常见为 cn-beijing）。
   • 注意：LAS_REGION 必须与您的 API Key 及 TOS Bucket 所在的地域完全一致。如果用户中途切换了 Region，必须提醒用户其 TOS Bucket 也需对应更换，否则会导致权限异常或上传失败。
2. 检查输入路径：
   • 如果用户要求处理的是本地文件，则需要先通过 File API 上传至 TOS（只需 LAS_API_KEY，无需额外 TOS 凭证）。
   • 如果算子的输出结果存放在 TOS 上，且用户需要下载回本地，则需要 VOLCENGINE_ACCESS_KEY 和 VOLCENGINE_SECRET_KEY。对于仅需要上传输入文件的场景，TOS 凭证不再必须。
3. 确认无误后：才能进入下一步。

Step 1: 初始化与准备

环境初始化（Agent 必做）：

# 执行统一的环境初始化与更新脚本（会自动创建/激活虚拟环境，并检查更新）
source "$(dirname "$0")/scripts/env_init.sh" las_asr_pro
workdir=$LAS_WORKDIR

如果网络问题导致更新失败，脚本会跳过检查，使用本地已安装的 SDK 继续执行。

• 处理本地文件时：先本地检查格式和时长，预估价格，用户确认后再上传：

  # 提前检查容器格式（避免参数错误）
  ./scripts/check_format.sh <local_path>
  # 本地使用 ffprobe 获取时长（无需上传即可预估价格）
  ffprobe -v error -show_entries format=duration -of default=noprint_wrappers=1:noprint_section=1 <local_path>
  

  计算预估价格并等待用户确认后，再执行上传：

  # 用户确认后，上传到 TOS
  lasutil file-upload <local_path>
  

  上传成功后返回 JSON，取其中的 presigned_url（HTTPS 预签名下载链接，24 小时有效）传给算子作为输入 URL。

Step 2: 预估价格（⚠️ 必须获得用户确认）

1. 读取 references/prices.md 获取最新计费标准。
2. 优先本地获取时长（避免不必要上传）：

   # 使用 ffprobe 本地获取
   duration_sec=$(ffprobe -v error -show_entries format=duration -of default=noprint_wrappers=1:noprint_section=1 <local_path>)
   

   如果 ffprobe 失败，再使用 lasutil 远程获取：

   lasutil media-duration <presigned_url>
   

3. 根据时长和模型单价计算总价，将计费单价与预估总价一并告知用户并强制暂停执行，明确等待用户回复确认。在用户明确回复"继续"、"确认"等同意指令前，绝对禁止进入下一步（执行/提交任务）。提示：预估仅供参考，实际以火山账单为准。计费说明请参考 Volcengine LAS 定价。

Step 3: 提交任务 (Submit)

构造基础 data.json（仅需必填项，其他按需添加）：

{
  "audio": {"url": "<presigned_url>", "format": "wav"},
  "request": {"model_name": "bigmodel"}
}

data=$(cat "$workdir/data.json")
lasutil submit las_asr_pro "$data" > "$workdir/submit.json"

记录返回的 metadata.task_id。

Step 4: 异步查询 (Poll)

⚠️ 异步任务与后台轮询约束：

• 如果你当前的环境支持后台任务/异步长效运行：你可以利用环境提供的后台能力（例如发起后台轮询任务），并在任务完成后主动将结果返回给用户。
• 如果你当前的环境不支持长效后台任务（如普通的单轮对话沙箱），且直接 sleep 循环会导致超时崩溃：绝对禁止在代码中执行死循环等待！ 此时必须立即向用户输出 Task ID 并结束当前轮次，告知用户："任务已提交，请稍后向我询问进度"。

使用优化的后台轮询脚本（动态间隔 + 自动提取结果）：

mkdir -p "./output/{task_id}"
./scripts/poll_background.sh {task_id} "./output/{task_id}" & disown

脚本特性：

• 动态间隔：前 5 次 30s，5-10 次 60s，10 次后 120s，减少不必要轮询
• 自动提取：完成后自动生成 transcript.txt / utterances.json / utterances.csv
• 日志记录：完整轮询历史保存在 poll.log

手动查询示例：

lasutil poll las_asr_pro {task_id} > "./output/{task_id}/result.json"

• COMPLETED → 结果已自动提取保存到 ./output/{task_id}/
• RUNNING/PENDING → 继续等待后台轮询
• FAILED → 返回错误。

Step 5: 结果呈现

处理结果（后台轮询已自动完成提取）：

# 自动生成结果展示 markdown（包含必填计费声明）
./scripts/generate_result.md.sh {task_id} "./output/{task_id}" <estimated_price>

生成内容包括：

• 任务信息卡片
• 识别统计（时长/语种/字数）
• 文本预览（前 500 字）
• 自动包含计费声明 ✅

输出文件结构（已由 poll_background.sh 自动生成）：

./output/{task_id}/
├── result.json       # 完整 API 响应
├── transcript.txt    # 完整识别文本
├── utterances.json   # 分句原始数据（若开启）
└── utterances.csv    # 分句说话人 CSV（若开启）

上传结果文件（可选）：

# 上传文本文件供用户下载
lasutil file-upload "./output/{task_id}/transcript.txt"
lasutil file-upload "./output/{task_id}/utterances.csv"

向用户展示：

1. 使用生成的 markdown 模板
2. 展示前 500 字转写文本
3. 提供本地文件路径
4. 提供签名下载链接（如上传成功）
5. 计费声明已自动包含在模板中

审查标准

执行完成后，Agent 应自检：

1. 环境变量是否正确配置
2. 输入文件是否成功上传
3. 输出结果是否正确呈现给用户
4. 计费声明是否包含