9Router 语音转文字技能
通过 9Router 的 /v1/audio/transcriptions 接口，用一套统一调用访问 Whisper、Groq、Gemini、Deepgram 等多种语音转写模型。
技能本身为纯文档，仅通过环境变量传递 NINEROUTER_URL/KEY 调用本地路由的 /v1/audio/transcriptions，无危险操作、无文件越权；数据流（音频上传至所配置提供商）有说明。扣分：音频内容会被转发到多个云厂商（OpenAI/Groq/Deepgram 等），隐私影响仅一笔带过，无数据流图、无回滚或失败恢复说明，发布者身份未经验证。
文档自洽：端点、参数表、curl 与 Node 示例、响应格式、厂商差异表均一致，仓库内 ping 代码（createSilentWavFile + STT 探测）佐证该路径真实存在。扣分：纯静态审阅未执行，无测试覆盖、无错误码/失败反馈说明，依赖 NINEROUTER 服务可用性，异常输入行为未描述。
description 触发条件明确（转写、语音转文字、字幕），支持格式、language、response_format（含 srt/vtt）边界清晰，覆盖中文等多语言输入。扣分：未声明模型能力/文件大小等非适用边界，前置依赖指向另一 SKILL.md，核心功能依赖 9Router 服务及海外 STT 厂商在中国大陆的可达性未评估。
MIT 许可明确，仓库有版本号（0.5.69）、发布工作流和多语言 README，维护活跃迹象可见。扣分：该 SKILL.md 自身无版本/变更记录，安装说明外链到另一技能文件，无 FAQ、无已知限制披露，属共享仓库治理而非技能级治理。
若 NINEROUTER 已部署，按文档可直接完成音频转写并输出 /srt/vtt，示例完整可复制。扣分：静态审阅无法验证输出正确性；且这本质是对 OpenAI 兼容端点的薄封装，直接 curl OpenAI 兼容服务即可达到同等效果，边际价值有限。
技能内端点与仓库内 ping.js 的 STT 探测代码互相印证，README 有多语言教程视频作为第三方使用迹象。扣分：无承诺测试套件覆盖该技能路径，无独立可复现的执行证据，静态审阅上限为 5，且多为作者自述材料。
- 音频文件将被上传至所配置的云厂商（OpenAI/Groq/Deepgram/AssemblyAI 等），敏感录音请在使用前确认各厂商的数据政策。
- 技能依赖 9Router 服务已部署并正确设置 NINEROUTER_URL/NINEROUTER_KEY，否则完全不可用；安装说明在另一个 SKILL.md 中，需先阅读。
- 核心功能依赖海外 STT 服务，中国大陆网络可达性未经评估，可能需要自托管提供商。
- 本评审为纯静态源码审阅，未执行任何端点调用，输出正确性未经独立验证。
这个 Skill 能做什么，适合哪些场景？
这个技能教 Agent 如何调用 9Router 的语音转文字端点，把音频文件转成文本或字幕。它兼容 OpenAI Whisper API 格式，背后可路由到 OpenAI、Groq、Gemini、Deepgram、AssemblyAI、NVIDIA 和 HuggingFace 七家供应商。使用前需要一个运行中的 9Router 实例（通过 NINEROUTER_URL 环境变量指定，若启用鉴权还需 NINEROUTER_KEY）。它本身只是一份操作指南，不含脚本，所有调用通过 curl 或任意 HTTP 客户端完成。
指导 Agent 先用 GET /v1/models/stt 发现可用的转写模型、用 /v1/models/info 查询每个模型的参数支持；然后向 POST /v1/audio/transcriptions 以 multipart/form-data 提交音频文件（支持 mp3、wav、m4a、webm、ogg、flac）、模型 ID、可选的语言（ISO-639-1）、提示词、温度和响应格式；支持 、text、verbose_（含时间戳分段）、srt 和 vtt 输出；SKILL.md 内含 curl 和 Node.js 的完整示例代码，并给出各供应商的模型命名差异（如 Deepgram 需 token 鉴权、AssemblyAI 的异步上传轮询由服务端处理）。
- 开发者已在本地运行 9Router，想用免费或低价模型把会议录音转成文字稿
- 内容创作者需要从播客或视频音频批量生成 SRT/VTT 字幕文件
- 使用多语言素材（如越南语、英语）的用户想通过 language 参数指定转写语言
- Agent 工作流中需要把用户上传的语音消息转成文本再做后续处理
- 团队想在不改代码的情况下，通过换一个 model ID 在 Whisper 和 Deepgram 之间切换转写引擎
这个 Skill 有哪些优点和局限？
- 一个 OpenAI 兼容端点统一访问 7 家供应商的转写模型，切换引擎只需改 model 字段
- 供应商差异被服务端抹平（如 Gemini 转 generateContent、AssemblyAI 的异步轮询都在服务端处理）
- 直接输出 SRT/VTT 字幕，省去后处理
- 支持语言、提示词、温度等标准参数，并用 /v1/models/info 暴露每个模型的参数支持情况
- 强依赖一个已运行的 9Router 实例，无法独立使用
- 转写请求本身的速率和费用取决于所配置的上游供应商，技能文档未说明
- 未附带自动化测试或错误处理的示例
- SKILL.md 未说明 /v1/models/stt 端点是否在所有部署方式（Docker、Cloudflare Workers 等）下均可用
如何安装这个 Skill？
此技能来自 decolua/9router 仓库（MIT 许可），该仓库打包了 9 个技能，本技能位于 skills/9router-stt/SKILL.md。安装整个技能集合通常是把技能文件夹放入你的 Agent Skills 目录，但仓库未明确说明本技能单独的安装路径。前置条件是先安装并运行 9Router 本体（npm install -g 9router 后运行 9router，默认端口 20128），并设置 NINEROUTER_URL 环境变量；若在仪表盘中启用鉴权，还需 NINEROUTER_KEY。
如何使用这个 Skill？
先发现模型：curl $NINEROUTER_URL/v1/models/stt | jq '.data[].id'。然后提交音频：curl -X POST "$NINEROUTER_URL/v1/audio/transcriptions" -H "Authorization: Bearer $NINEROUTER_KEY" -F "model=openai/whisper-1" -F "[email protected]" -F "language=vi"。要生成字幕，把 response_format 设为 srt 或 vtt；要带时间戳的详细信息，用 verbose_。也可以让 Agent 触发，例如：「帮我把 audio.mp3 转成文字」或「给这段录音生成 SRT 字幕」。
这个 Skill 与同类方案有什么区别？
与直接调用 OpenAI Whisper API 相比，此技能的优势是通过一个端点可切换到 Groq（最快）、Deepgram 等多家供应商，但代价是必须自建并维护 9Router 路由服务；若只用单一供应商，直连官方 API 更简单。