PennyScribe
一款面向 AI Agent 和开发者的云端音频转写服务，提供 CLI、API 和 MCP 三种接口，由大侠Luffy 用 Codex 从零开发完成。
简介
PennyScribe 是一个音频/视频语音转写服务，特别设计为对 AI Agent 友好。它可以将音频、视频中的语音快速转换为结构化文本，再交给 Agent 完成内容总结、知识提取、信息检索和自动化处理。与传统的本地 ASR 方案（如先下载运行 Whisper）相比，PennyScribe 的云端优势在于无需本地 GPU、处理速度快、支持批量并行处理。
PennyScribe 的开发者大侠Luffy 全程使用 Codex 编写代码，自己一行代码未写。他放弃了 Vast.ai 官方的 Serverless 方案，用 Codex 从零构建了一套 GPU 实例调度系统，在两周内完成了原本估计需要 3 个月的工作。
关键信息
- 类型：工具 / SaaS 服务
- 领域：自动语音识别（ASR）、AI Agent 基础设施
- 官方网站：https://pennyscribe.com/
- 转写模型：Qwen ASR（阿里通义千问语音识别模型）
- GPU 算力来源：Vast.ai
- 开发者：大侠Luffy（掘金作者）
- 相关概念：Whisper、Qwen ASR、Vast.ai、Codex、AI Agent 智能体、MCP 模型上下文协议
核心特性
三接口设计
PennyScribe 最核心的差异化特性是多接口支持：
- CLI（命令行接口）：供开发者和自动化脚本直接调用
- API：供应用程序和 AI 工作流集成
- MCP（Model Context Protocol）：让 AI Agent 可以直接发现和调用转写能力
这种”对人 + 对 Agent”双友好的设计，体现了 AI Agent 时代的产品新范式：产品的功能不应当只封闭在 UI 里，还应暴露为可被 AI 代理调用的接口。
AI Agent 友好设计
- 无需本地部署模型（不像 Whisper 需要在本地下载运行）
- 标准化接口方便 Agent 工作流集成
- 云端多 GPU 并行处理支持批量任务
- 专注高质量纯文本转写，不做多余功能
技术架构
- 转写引擎：Qwen ASR（纯文本转写效果好）
- GPU 调度：自建 GPU 实例调度系统（基于 Vast.ai，放弃官方 Serverless）
- 暂不支持：视频字幕制作（Qwen ForcedAligner 时间戳效果不理想）
不同素材中的观点
- 2026-08-12-pennyscribe-codex-ai-product（大侠Luffy）：这是 PennyScribe 首次公开亮相。作者的核心观点是”产品不仅要方便人使用，也应该让 AI 能够轻松发现、理解和调用”。PennyScribe 被定位为 “Agent 友好的云端语音转写服务”，填补了当前 ChatGPT/Claude Code 处理音频转写任务时需本地部署 Whisper 的痛点——处理时间长、设备性能不足、网络中断等问题。Qwen ASR 的转写文本质量出色，但时间戳效果不理想，因此现阶段专注纯文本转写。GPU 调度效率和转写吞吐量仍有优化空间，作者计划继续优化架构并降低成本。
实用信息
- 快速上手：通过 CLI 调用转写命令；或通过 API 在应用程序中集成；或通过 MCP 协议让 AI Agent 直接调用
- 适用场景：访谈转写、播客文字化、通话记录、课程录音转文本、AI Agent 工作流中的音频处理环节
- 不适用场景：视频字幕制作（缺少高精度时间戳）、需要本地离线处理的场景
- 注意事项：面向批量处理场景优势更明显（云端多 GPU 并行）；单次小音频的处理速度优势不大