Open Minis 手機錄音轉文字教學:用 Groq 批次轉錄與繁中摘要
用手機錄下一場課程或會議之後,我希望拿到的通常不只是音檔,還有可以回頭查的逐字稿,以及整理好的重點。
現在語音轉文字的工具已經很多。我之前介紹過雲端的 Notebook LM、在電腦本地處理的 Faster Whisper,也分享過 Otter.ai、Notta.ai 的線上會議轉錄方式。
我目前在電腦上的主力,則是自己開發的 Lecture Video to PDF & Transcription Studio。它可以把課程影片轉成講義 PDF,也能單獨將影片或音檔轉成逐字稿與字幕;語音轉文字可使用本機模型,或串接相容的本機、雲端服務。
我也在 2026 年 10 月 2 日發布了 v0.3.0 更新,新增 Groq、OpenAI、本機 QwenASR 等常用轉錄服務設定檔,並可選擇將 API Key 存入 Windows 認證管理員,減少重複設定。
電腦端已經有順手的工具,但當錄音留在手機裡,而且一次有好幾份要整理,操作流程還是有地方可以再省一步。
雲端模型可以借用伺服器的算力,辨識往往很快,但大音檔要先花時間上傳。本地轉錄不用把錄音交給雲端,處理速度則受到模型與裝置效能影響;如果要改用效能較好的電腦,手機上的錄音還得先轉存過去。我希望錄音留在手機,就能接著完成整理,不必再轉存到電腦。
不少雲端服務還有檔案大小、單次錄音長度、每月可處理分鐘數,或單位時間內的請求額度限制,免費與付費方案各有不同規則。拿到逐字稿之後,如果還要另外貼給 AI 整理重點,也多了一段操作。有些服務已經內建摘要,但我想把選檔、轉錄、摘要與存檔接成一套可以自己調整的自動化流程。
所以這次我用先前介紹過的 Open Minis,在 iPhone 上開發了一套錄音轉錄與摘要 workflow,並將程式整理成 GitHub 公開專案。部署完成後,就可以用自然語言告訴 Agent 要處理哪份錄音,接著由腳本完成轉錄、摘要與存檔。
這個折衷做法省掉了先轉存到電腦的步驟,而音訊片段仍會被上傳到雲端伺服器進行高速轉錄。它使用 Groq 雲端 API,並非在手機上下載大型模型做離線辨識;免費 API 的額度限制也仍然存在。不過以我過往的日常使用經驗,倒是還沒有遇過 Groq 免費額度不夠的情況;當然實際是否夠用,仍要看錄音長度、檔案數量與摘要用量。
▋手機負責執行,雲端負責辨識與摘要
在前一篇 Open Minis 介紹中,我提過「在裝置端執行」和「模型完全在本地運算」是兩件事。這套錄音流程剛好可以用來說明這個差別。
手機上的 Open Minis 負責讀取你授權的資料夾,執行程式、處理音訊片段,並把結果存回手機。語音辨識則交給 Groq 提供的 Whisper 模型,取得逐字稿後,再呼叫文字模型產生繁體中文摘要。
目前預設的分工是:
whisper-large-v3-turbo負責轉錄,字幕保留錄音的原始語言。- v0.2.0 預設透過 Open Minis 已開放的 GPT-6-Sol 整理繁體中文摘要;也可明確選用 Groq 的 openai/gpt-oss-120b 分層摘要模式。
長錄音會先在手機切成約四分鐘、稍有重疊的片段,逐段上傳辨識,再合併字幕。這樣可以縮小單次請求的音檔,也讓中斷後有機會沿用已保存的進度。Groq 的 官方語音轉文字文件也提供分段處理大音檔的方向。
整體流程如下:
錄音資料夾 → Open Minis 選檔並執行 → Groq 轉錄 → Open Minis 已授權的模型摘要(或選用 Groq 模式)→ 手機上的成果資料夾。
v0.2.0 更新:長錄音摘要改由 Open Minis 已授權模型處理
後來測試更長的錄音時,我發現逐字稿雖然轉錄完成,Groq 的 gpt-oss-120b 摘要卻會因每分鐘用量限制而等很久。這次碰到的是每分鐘 8,000 tokens 的限制,不是 8,000 個中文字,也不等於整天的免費額度已用完;實際限制仍以自己的帳戶為準。
於是我把摘要改成透過 Open Minis 的模型呼叫工具,使用 App 內以 Codex OAuth 登入的 GPT-6-Sol。後續 iPhone 開發版已順利完成約 81 分 38 秒錄音的轉錄與摘要,這個做法也整理進 v0.2.0。Groq 仍負責 Whisper 轉錄,摘要則使用另一組已授權模型,不再共用原本的 Groq 文字模型限流。
這不代表換成無限制或離線模型。GPT-6-Sol 仍是雲端服務,帳戶可用模型、用量與登入狀態都要確認;只是把轉錄與摘要分開安排。新版也保留明確選用的 Groq 分層摘要,遇到錯誤不會自動換服務。
對讀者來說,不需要每天手動操作這些命令。初次把工具、金鑰與資料夾設定好,之後就在 Open Minis 對話中說明要處理的檔案;完整命令及參數留在 README,供 Agent 讀取與執行。
▋我先從一份英文錄音開始,再整理成可重複使用的流程
開發時,我先讓 Open Minis 讀取第三方 app「錄音機 Pro」的資料夾,再用一份約 25 分 40 秒的錄音確認整個流程。原始版本已產生 SRT 字幕、帶時間戳的文字逐字稿與繁中摘要,也確認相同設定重跑時會略過已完成的檔案。
過程中,我特別確認了字幕與摘要的語言分工:英文演講的 SRT 應保留英文,方便對照原音;繁體中文用在摘要,不需要把逐字稿也全部翻成中文。如果你處理的是中文錄音,字幕就保留辨識出的中文;語言不確定時,則可先使用自動判斷。
摘要 prompt 也保留了我原本的要求:用繁體中文 Markdown 整理主要資訊與詳細重點,保留相關細節,避免只剩幾句籠統的結論。因為錄音不一定都是同一個領域,我希望這套流程也能用於一般課程、訪談與會議內容。
為了讓別人可以使用,公開版又把來源資料夾改成可自行指定,補上 iPhone「語音備忘錄」匯出與 Android 掛載的入口,不限定只能用於特定的錄音 App。
下面提供可交給 Agent 的部署與操作指令,範例檔名與路徑請換成自己實際需要的設定。原始版本的 iPhone 試跑與公開版測試範圍,會在後段分開說明。
▋第一次使用:請 Agent 協助部署 workflow
先安裝 Open Minis,確認能正常使用工具
如果尚未安裝,可以使用 iPhone/iPad 的 App Store 入口。Android 使用者可從 Open Minis 官方網站進入 Android 下載頁,或直接查看 官方 GitHub Releases;不要自行搜尋來路不明的 APK。
安裝後,先完成對話模型設定,確認 Open Minis 可以正常回覆,並能使用檔案與終端機工具。基本設定可以參考我先前的 Open Minis 安裝與操作介紹。
這裡要分清楚模型的用途:Open Minis 對話模型負責理解你的要求、使用工具;workflow 透過 Groq API 做轉錄,摘要則預設呼叫 App 已開放的 GPT-6-Sol。聊天模型與 workflow 摘要模型是不同設定,更換聊天模型不會自動改變腳本指定的摘要模型。若明確選用 Groq 摘要模式,才會由腳本直接呼叫 Groq 文字模型。
把正式版下載頁交給 Agent
程式已放在 v0.2.0 正式版 Release。下載包附有繁中、英文 README,以及五支需要放在同一資料夾的 Python 程式。
你可以在 Open Minis 開一個專門處理錄音的對話,把下面這段交給 Agent:
請協助部署這個錄音轉錄與摘要 workflow:
https://github.com/taoyutsun/openminis-groq-transcription-workflow/releases/tag/v0.2.0
請先閱讀 v0.2.0 的繁中 README,再取得正式版 ZIP。
將 groq_workflow.py、groq_transcribe.py、groq_http.py、groq_summary.py、minis_summary.py 放在同一個資料夾:
/var/minis/shared/錄音轉錄工具/
如果已有同名程式,請先告訴我,不要直接覆蓋。
檢查 Python 與音訊處理工具,依 README 準備必要套件。
若需要我授權、手動下載或設定,請告訴我下一步。
請使用原有腳本,不要自行改寫程式或摘要 prompt。
現在只做部署與環境檢查,不要上傳音檔,也不要呼叫轉錄或摘要 API。
不要顯示任何金鑰的值。完成後請回報程式位置、檢查結果及尚缺的設定。這一步是請 Agent 依文件操作,不是安裝一個現成的 Open Minis 外掛。若目前的模型、工具權限或網路無法完成下載,可先在手機下載並解壓縮 ZIP,把五支程式放進 Open Minis 可讀的共享位置,再請 Agent 協助整理與檢查。
部署完成時,應能確認五支程式放在同一個資料夾、Python 及音訊工具可執行,並確認摘要模型已開放給 workflow 使用。讀者不必硬記安裝套件的命令,但要看一下 Agent 的回報,避免只有「我幫你設定好了」而沒有實際檢查結果。
設定自己的 Groq API Key
到 Groq Console建立自己的 API Key,再到 Open Minis 設定中的「環境變量」新增一筆:名稱填 GROQ_API_KEY,值填入你剛取得的 Key。這是提供給腳本執行環境使用的設定。
金鑰請直接填在設定欄位,不要貼進聊天訊息,也不要放進文章截圖。只把 Groq Key 填在聊天模型的供應商設定,不代表 Python 腳本能取得。
開放摘要模型給 workflow 使用
先在 Open Minis 的模型供應商設定完成 Codex OAuth 登入,確認帳戶能使用 GPT-6-Sol。接著到「設定 → 模型分組」,找到「Minis 執行時可調用的模型」,透過「加入模型或分組」加入 GPT-6-Sol。只把它設成聊天的預設主模型還不夠,這個清單才決定工具能呼叫哪些模型。
登入由 Open Minis 處理,不需要把 OAuth token 複製給腳本。完成後,可以請 Agent 做本機模型清單檢查:
請檢查 v0.2.0 workflow,摘要使用 Open Minis 已開放的 GPT-6-Sol。
確認 minis-model-use 與指定模型可用,並回報設定結果。
只檢查本機工具與已開放模型清單,不做雲端推論,也不要上傳音檔。
不要讀取或顯示 OAuth 憑證;若模型未開放、未登入或有同名項目,請告訴我。
不要自動改用 Groq 或其他模型。
模型清單檢查不等於雲端登入一定有效,第一次正式使用仍先拿短音檔試跑。若沒有可用的 GPT-6-Sol,可以請 Agent 依 README 明確選用已開放的其他文字模型,或改用 Groq 摘要模式;兩者的額度與資料接收端不同,不要讓 Agent 自行切換。
Android 讀者請留意:目前核對的官方 Android 模型呼叫介面,回傳格式與 iOS 不同,缺少公開版用來確認摘要完成的狀態,因此 v0.2.0 的 Open Minis 模型模式會先停止,不會先把音檔上傳後才報錯。Android 可先請 Agent 明確使用 Groq 摘要模式;仍須自行確認來源權限、音訊工具與實際手機執行結果。
請依 v0.2.0 README,明確設定 workflow 使用 Groq 分層摘要模式。
先回報模型、來源與輸出位置,只做本機檢查及預覽,不要上傳音檔。
等我確認後才執行,不要自動切換到其他模型或服務。設定後,可以請 Agent 確認:
請檢查錄音 workflow 的執行環境,確認音訊工具可用,
以及 GROQ_API_KEY 是否已設定。
只回報「已設定」或「未設定」,不要顯示金鑰,也不要發送 API 請求。這只能確認本機設定是否存在。Key 是否有效、帳戶是否有額度,要到後面的短音檔試跑才會知道。
▋讓 Open Minis 看得到錄音資料夾
iPhone「語音備忘錄」:先分享至「檔案」
如果你用的是 iPhone 內建「語音備忘錄」,不需要去找 App 的內部錄音路徑。先使用 Apple 提供的 錄音匯出方式:
- 在「語音備忘錄」選取要處理的錄音。
- 點「更多」,再選「分享」與「儲存到檔案」。
- 分享格式若有選擇,使用一般單一音檔的 M4A。
- 存到自己建立的專用資料夾,例如「錄音輸入」。
- 到 Open Minis 的「掛載外部資料夾」設定,選取這個資料夾並授權。
「掛載」可以理解成:把你選定的手機資料夾,提供給 Open Minis 裡的工具使用。App 會顯示對應的位置,例如 /var/minis/mounts/錄音輸入/,把實際顯示的路徑告訴 Agent 即可。
如果錄音存在 iCloud,請先確認已下載到手機。「語音備忘錄」裡用來分類的資料夾,和「檔案」App 中可選取的資料夾也不是同一個東西。
我這次開發時使用「錄音機 Pro」,它只是音檔來源的例子。其他錄音 App 如果有公開資料夾,可以直接掛載;沒有的話,就先分享或匯出到「錄音輸入」。
Android:選實際資料夾,不必照抄示範的儲存路徑
Android 使用者可先在檔案管理員找錄音。以 Samsung 官方說明為例,路徑是「內部儲存空間 → Recordings → Voice Recorder」,但品牌、系統與錄音 App 不同,位置也可能不同。
找到後,一樣在 Open Minis 選取資料夾並授權,使用 App 顯示的掛載位置。若錄音 App 不公開資料夾,先把錄音分享至本機的專用資料夾即可。
不用把檔案管理員裡看到的「內部儲存空間」硬換成程式路徑。讓 Open Minis 掛載完成,再請 Agent 檢查能否列出音檔,比猜路徑可靠。
輸入與輸出分開放
錄音來源只需要讀取,成果則放在另一個可寫入的資料夾。本文範例使用 /var/minis/shared/錄音逐字稿/ 作為輸出位置,程式會保留原音檔,不搬移或刪除來源。
資料夾掛載好後,把實際位置交給 Agent:
我的錄音輸入資料夾已掛載,路徑是:
/var/minis/mounts/錄音輸入/
workflow 放在 /var/minis/shared/錄音轉錄工具/。
成果請放在 /var/minis/shared/錄音逐字稿/。
請確認可以讀取來源,並列出支援的音檔。
現在不要轉錄、不要摘要,也不要上傳音檔。以上路徑只是本文範例,請換成自己 App 顯示的位置。第一次不要授權整支手機的所有檔案,先提供這次要用的錄音資料夾就好。
▋日常操作:用自然語言選檔、轉錄與摘要
先預覽要處理哪一份
第一次試跑,我建議用一份不含私人資訊的短錄音,確認檔案可讀、API 可用,成果也能取出。
可以先說:
請使用已部署的錄音 workflow,先列出「錄音輸入」的音檔。
我要試跑「英文課程.m4a」,主要語言是英文。
請先預覽它的轉錄、摘要設定與輸出位置,不要正式執行。Agent 應回報選到哪個檔案、使用什麼語言與模型,以及結果會放在哪裡。預覽不會發送轉錄或摘要請求,確認沒有選錯檔案後再啟動。
確認後,處理指定錄音
確認,請按剛才預覽的設定,處理「英文課程.m4a」。
字幕與逐字稿保留英文,摘要使用繁體中文。
請完成轉錄、摘要並存檔,不要只在聊天裡回覆摘要。
保留原始音檔,完成後告訴我輸出位置,並提供可開啟的成果連結。這裡明確指定英文,和只說「幫我轉錄」相比,比較不容易讓 Agent 自己猜錯語言設定。中文錄音就改成中文;中英混雜或語言不確定時,可以請它採用 workflow 的自動判斷設定,再抽查結果。
如果 Agent 無法提供可點開的檔案連結,請它回報完整輸出路徑,從 Open Minis 的檔案瀏覽功能或手機「檔案」App 取用。不能只因為對話說「完成」就當成成功,至少打開逐字稿與摘要各看一次。
一次處理指定多份,或全部未完成的錄音
指定多份時,直接列出檔名即可:
請用相同 workflow 處理「課程一.m4a」與「訪談二.mp3」。
先列出這兩份檔案與預計使用的設定,等我確認後再開始。
轉錄保留原語言,每份分別產生繁中摘要,成果存到既定輸出資料夾。若同一資料夾內的檔案可以全部使用相同設定,也可以說:
請預覽「錄音輸入」內,尚未以相同設定完成的所有音檔。
使用自動語言判斷,每份都要轉錄與繁中摘要。
等我確認清單後,逐檔執行;已完成的不要重做。
這次只處理資料夾這一層,不包含子資料夾。這套批次流程是逐份處理。沒有指定範圍時,腳本預設最多處理一份;要多份或全部,請在對話中講清楚。要連子資料夾一起處理,也應另外指定。
「已完成」是依相同設定判斷的。如果上一份錄音指定英文,下一次改成自動判斷,程式會把它當成另一組轉錄設定,可能重新處理。日常使用盡量沿用同一組設定,中斷後也比較容易續跑。
經過實際測試,一份超過 80 分鐘的錄音檔只花不到五分鐘就完整轉錄完畢,速度真的是飛快。
▋完成後會拿到哪些檔案?
每份錄音會有自己的成果資料夾,主要用到三種檔案:
| 成果 | 適合的用途 |
|---|---|
| SRT 字幕 | 有時間戳,方便對照錄音,或匯入支援 SRT 的字幕工具。 |
| 文字逐字稿 | 保留時間標記,方便搜尋、複製與後續整理。 |
| Markdown 摘要 | 繁中重點筆記,方便閱讀或放進自己的筆記系統。 |
成果資料夾裡也有進度與設定檔,讓程式判斷哪些片段已完成。只想取用內容時,拿上面三種檔案即可;如果還想保留續跑能力,就不要把其他進度檔全部清掉。
v0.2.0 的 Open Minis 模型模式,會在模型輸入預算允許時,將完整逐字稿交給指定模型摘要;超過預算會停止並提示分檔,不會偷偷換模型。若明確選用 Groq 模式,則先做分段摘要,再逐層整合,並保留已完成的分段進度。兩種模式都省掉手動分批貼給 AI 的操作,但摘要仍根據機器辨識出的文字生成,需要核對專有名詞、人名、數字與重要結論。
如果希望對不確定的內容保守一點,可以請 Agent 使用 workflow 提供的審慎摘要模式:
請沿用這份錄音已有的完整逐字稿,只重新產生摘要。
使用 workflow 的審慎摘要模式,將不確定的專有名詞、人名與數字標示待核對。
不要重新上傳音訊,也不要自行修改摘要 prompt,請保留舊摘要版本。審慎模式是選用功能,預設仍保留我原本的通用摘要 prompt;當然也不能保證模型一定能找出所有辨識錯誤。
▋可以放到背景跑嗎?中斷了怎麼辦?
Open Minis 在 iPhone 的「設定 → 權限 → 背景」有「增強背景運行」選項,可依 App 提示設定相關功能與權限,協助任務在切換 App 後繼續執行。官方 背景設定實作也說明了相關機制;介面位置以實際安裝版本為準。
不過,這個開關不代表可以保證整批錄音在鎖屏後一定處理完。iOS 的背景限制、Android 的省電設定、網路中斷或程序被終止,都可能影響進度。第一次長錄音測試,建議先讓 App 保持在前景。
如果中途停止,可以回到對話說:
請檢查剛才錄音 workflow 的進度。
如果目前沒有其他 workflow 正在執行,請用同一份音檔、相同設定與原輸出位置續跑。
沿用有效的已保存進度,不要強制全部重做,也不要刪除原有成果。
完成後回報成功與失敗的檔案。已保存且驗證有效的轉錄片段可以重用,尚未保存的當前片段則可能需要重傳。Groq 模式也能沿用已保存的分段摘要;Open Minis 模型模式若在摘要時中斷,可用完整逐字稿重做摘要,不必重新上傳音訊。請一次只執行一個 workflow,避免兩個任務同時寫入進度。
換到新的 Open Minis 對話時,也要重新提供程式位置、來源資料夾與輸出位置。這套腳本不會因為聊天標題叫「錄音整理」,就自動知道該讀哪個資料夾。
▋免費 API 可以跑,額度與隱私還是要留意
這套程式依 MIT License 開源分享,Groq 則提供可試用的免費 API 方案。免費方案仍有請求次數、音訊時數與文字 token 等限制;轉錄額度夠用,不代表摘要額度也一定夠。實際可用量以自己的 Groq 帳戶額度為準,付費方案也可能產生費用。
分段可以協助處理大錄音,但不能解除帳戶額度限制。若遇到額度或連線問題,程式有重試與保存進度的處理;長時間額度不足時,仍可能要等額度恢復後再續跑。
新版的 Open Minis 模型摘要,使用 App 內已登入帳戶的授權與用量規則,不是 Groq 免費 API 的一部分。是否需要訂閱、能使用哪個模型以及剩餘額度,請依自己的帳戶確認;腳本不會擷取或另存登入憑證。
這裡的「批次」是腳本逐檔呼叫一般 API,不是 Groq 的 Batch API,也不會一直監看資料夾、有新錄音就自動開始。完成初次部署後,每次仍要由你啟動要處理的任務。
隱私方面也要清楚:音訊片段會送至 Groq,逐字稿會送至所選摘要模型的服務;若選用 Groq 模式,逐字稿與分段摘要也會交給 Groq 處理。Open Minis 在手機執行,並不代表這個 workflow 的內容全部留在手機。公司機密、個資或其他敏感錄音,先確認是否適合交給雲端處理,並分別檢查轉錄與摘要服務的資料政策。Groq 的部分可查看 Groq 官方說明。
目前也沒有說話者分離、即時轉錄或自動匯出「語音備忘錄」的功能。多人同時說話、重口音與專業名詞,都需要自己抽查,不宜把自動產生的逐字稿直接當成完全正確的紀錄。
測試範圍也一併說明:我在 iPhone 開發原始版本時,已完成單檔轉錄與摘要試跑。後續開發版也在 iPhone 完成約 81 分 38 秒錄音的轉錄與 GPT-6-Sol 摘要。整理後的 v0.2.0 公開版,Windows 與 WSL 各通過 39 項離線測試,包含合成音訊解碼、模擬模型呼叫、限流處理與截斷摘要拒收;但開發版真機成果與公開版離線測試是兩種不同驗證,不能當成公開版已完成所有 iPhone/Android 真機及雲端端到端測試。正式 Release 表示程式已公開發行,不代表每種手機、格式與長錄音都已測過,詳細紀錄放在 測試說明。
▋從手機錄音,到可以直接取用的筆記
在電腦上,我目前的主力仍是 Lecture Video to PDF & Transcription Studio,尤其整理課程影片時,可以連講義 PDF、逐字稿與字幕一起處理。這次的 Open Minis workflow 則補上手機錄音的使用情境:音檔已經在手機,就從這裡接著轉錄、摘要與存檔,不必為了處理而先轉存到電腦。
我想省下的,是錄音之後那一串取檔、轉存、逐份轉錄,再另外整理摘要的操作。完成初次部署後,可以在同一個對話裡指定要處理的錄音,讓腳本逐檔完成工作,成果也存到自己指定的資料夾。下次有新錄音,再沿用這套流程,不必重新拼接每個步驟。
這也是我想用這個例子說明的行動 AI Agent 用法:用自然語言交代工作,讓 Agent 操作你授權的檔案與工具,執行可以重複使用的流程。你負責確認要處理什麼、哪些內容可以送到雲端,以及結果是否正確;選檔後的轉錄、摘要與存檔,則由工具接著完成。
如果你也有類似需求,可以先到 正式版下載頁,請 Agent 閱讀 繁中 README 協助部署。先拿一份短而不敏感的錄音,確認字幕、摘要與成果取用都符合需求,再把更多錄音交給同一套流程。
如果試跑時遇到問題,歡迎到 GitHub Issues 回報手機系統、使用版本與錯誤訊息,記得先移除金鑰、私人檔名與錄音內容。這套流程已經開源,你也可以依自己的需求調整來源資料夾、語言與摘要設定,讓它串接上自己的錄音整理習慣。
留言
張貼留言