mimo-asr-skill

把音视频转成小米 MiMo ASR（mimo-v2.5-asr）可识别文字的 skill 代码库。

两个 skill 组成一条完整流水线：

mp4 / mkv / avi / mov / flac / ... 
        │  audio-extract（ffmpeg 提取）
        ▼
16kHz 单声道 mp3 / wav
        │  asr-transcribe（静音切片 + 逐段识别 + 拼接）
        ▼
        txt 转写文本

目录结构

mimo-asr-skill/
├── README.md
└── skills/
    ├── audio-extract/            # 音视频 → ASR 可用音频
    │   ├── SKILL.md
    │   └── scripts/extract.py
    └── asr-transcribe/           # MiMo ASR 切片转写
        ├── SKILL.md
        └── scripts/transcribe.py

适用环境

项目	说明
操作系统	Windows（脚本内含 Windows 路径探测；Linux/macOS 下 ffmpeg 在 PATH 中即可）
Shell	PowerShell 5.1 / 任意可设环境变量的 shell
Python	3.8+（建议用 conda 独立环境）
Python 依赖	openai、httpx（见 requirements.txt）
ffmpeg	必需。脚本自动查找：系统 PATH → miniconda envs/study/Library/bin → miniconda Library/bin
网络	可访问 https://api.xiaomimimo.com/v1
认证	环境变量 MIMO_API_KEY（不内置任何 key）

安装

git clone git@github.com:Bulingfluorite/mimo-asr-skill.git
cd mimo-asr-skill
pip install -r requirements.txt

# 设置认证（必填，脚本不内置 key）
$env:MIMO_API_KEY = "你的 key"

快速开始

1. 音频提取（可选，仅当输入是视频/非 mp3/wav）

python skills\audio-extract\scripts\extract.py "video.mp4" --output "audio.mp3"

输出固定 16kHz 单声道 64kbps mp3（ASR 足够，文件更小）。

2. 转写

python skills\asr-transcribe\scripts\transcribe.py "audio.mp3" --language zh --output "out.txt"

长音频（>30 分钟）建议后台运行，避免阻塞：

Start-Process -FilePath "python" `
  -ArgumentList 'skills\asr-transcribe\scripts\transcribe.py','audio.mp3','--language','zh','--output','out.txt' `
  -RedirectStandardError "asr.log" -RedirectStandardOutput "asr.out" -NoNewWindow
# 轮询进度
Get-Content asr.log -Tail 5

工作原理

asr-transcribe 三阶段

1. 切片：silencedetect 找静音点，按目标段长（默认 180s）切成小段，规避模型 8K input / 2K output token 限制。
2. 识别：逐段调 mimo-v2.5-asr；429 指数退避重试；遇 context 超长自动对半再切递归。
3. 拼接：按序拼接全部片段写 txt；分段结果缓存在 workdir，支持断点续跑。

关键约束（官方文档 + 模型卡）

• 模型：mimo-v2.5-asr，base_url https://api.xiaomimimo.com/v1
• 输入仅 wav/mp3，base64 后 ≤ 10MB
• 上下文 8K input / 最大输出 2K tokens → 单段必须小，否则输出被截断
• 单请求超时 600s

参数速查

extract.py

参数	说明
<input>	任意 ffmpeg 支持的视频/音频路径
--output	输出路径，默认同名 .mp3
--format	mp3（默认）/ wav

transcribe.py

参数	说明
<audio>	mp3/wav 输入
--language	auto / zh / en，默认 zh
--segment	每段目标秒数，默认 180
--output	输出 txt，默认同名 .txt
--workdir	分段缓存目录，默认 <输出目录>\.asr_work_<名>

安全

• 本仓库不含任何 API Key / 密钥。 认证统一走环境变量 MIMO_API_KEY。
• 提交前请勿把带 key 的 .env / 配置 / 日志提交进仓库（见 .gitignore）。