Communitygithub.com

sundial-org/awesome-openclaw-skills

Lokale Sprach-zu-Text-Transkription mit faster-whisper. 4-6x schneller als OpenAI Whisper bei identischer Genauigkeit; GPU-Beschleunigung ermöglicht ~20x Echtzeit-Transkription. Unterstützt Standard- und destillierte Modelle mit Wort-Zeitstempeln.

Was ist awesome-openclaw-skills?

Dieses Skill ermöglicht eine lokale Sprach-zu-Text-Transkription mithilfe von faster-whisper, einer CTranslate2-Neuimplementierung von OpenAIs Whisper, die 4-6x schneller läuft bei identischer Genauigkeit. Mit GPU-Beschleunigung erreicht es eine etwa 20-fache Echtzeitgeschwindigkeit, sodass eine 10-minütige Audiodatei in rund 30 Sekunden transkribiert werden kann. Es eignet sich ideal für Meetings, Interviews, Podcasts, Vorlesungen, YouTube-Videos und die Stapelverarbeitung mehrerer Audiodateien. Das Skill unterstützt über 99 Sprachen mit automatischer Spracherkennung und bietet Wort-Zeitstempel für die Untertitel- und Caption-Erstellung. Es wird auf Windows, Linux, macOS und WSL2 unterstützt, wobei CUDA auf NVIDIA GPUs die maximale Beschleunigung bietet. Die Einrichtung erfolgt automatisch über Skripte, die Python, ffmpeg und PyTorch mit CUDA installieren. Es wird nicht für Echtzeit- oder Streaming-Transkription empfohlen, da dafür speziell optimierte Tools besser geeignet sind.

Funktioniert mit~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/sundial-org/awesome-openclaw-skills/tree/HEAD/skills/faster-whisper

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Faster Whisper

Lokale Sprach-zu-Text-Transkription mit faster-whisper – einer CTranslate2-Neuimplementierung von OpenAIs Whisper, die 4-6x schneller läuft bei identischer Genauigkeit. Mit GPU-Beschleunigung erreichen Sie eine ~20-fache Echtzeit-Transkription (eine 10-minütige Audiodatei in etwa 30 Sekunden).

Wann verwenden

Verwenden Sie diesen Skill, wenn Sie:

  • Audio-/Videodateien transkribieren möchten — Meetings, Interviews, Podcasts, Vorlesungen, YouTube-Videos
  • Sprache lokal in Text umwandeln möchten — keine API-Kosten, funktioniert offline (nach Modelldownload)
  • Mehrere Audiodateien stapelweise verarbeiten möchten — effizient für große Sammlungen
  • Untertitel/Beschriftungen erstellen möchten — Wort-für-Wort-Zeitstempel verfügbar
  • Mehrsprachige Transkription benötigen — unterstützt 99+ Sprachen mit automatischer Erkennung

Auslösephrasen: "transkribiere diese Audio", "Sprache in Text umwandeln", "was haben sie gesagt", "ein Transkript erstellen", "Audio zu Text", "untertitele dieses Video"

Wann NICHT verwenden:

  • Echtzeit-/Streaming-Transkription (verwenden Sie stattdessen streaming-optimierte Tools)
  • Reine Cloud-Umgebungen ohne lokale Rechenleistung
  • Dateien <10 Sekunden, bei denen die API-Aufruflatenz keine Rolle spielt

Kurzübersicht

AufgabeBefehlHinweise
Basis-Transkription./scripts/transcribe audio.mp3Verwendet Standard distil-large-v3
Schnelleres Englisch./scripts/transcribe audio.mp3 --model distil-medium.en --language enNur Englisch, 6,8x schneller
Maximale Genauigkeit./scripts/transcribe audio.mp3 --model large-v3-turbo --beam-size 10Langsamer, aber beste Qualität
Wort-Zeitstempel./scripts/transcribe audio.mp3 --word-timestampsFür Untertitel/Beschriftungen
JSON-Ausgabe./scripts/transcribe audio.mp3 --json -o output.jsonProgrammatischer Zugriff
Mehrsprachig./scripts/transcribe audio.mp3 --model large-v3-turboErkennt Sprache automatisch
Stille entfernen./scripts/transcribe audio.mp3 --vadSpracherkennung (Voice Activity Detection)

Modellauswahl

Wählen Sie das richtige Modell für Ihre Anforderungen:

digraph model_selection {
    rankdir=LR;
    node [shape=box, style=rounded];

    start [label="Start", shape=doublecircle];
    need_accuracy [label="Maximale
Genauigkeit nötig?", shape=diamond];
    multilingual [label="Mehrsprachiger
Inhalt?", shape=diamond];
    resource_constrained [label="Ressourcen-
beschränkungen?", shape=diamond];

    large_v3 [label="large-v3
oder
large-v3-turbo", style="rounded,filled", fillcolor=lightblue];
    large_turbo [label="large-v3-turbo", style="rounded,filled", fillcolor=lightblue];
    distil_large [label="distil-large-v3
(Standard)", style="rounded,filled", fillcolor=lightgreen];
    distil_medium [label="distil-medium.en", style="rounded,filled", fillcolor=lightyellow];
    distil_small [label="distil-small.en", style="rounded,filled", fillcolor=lightyellow];

    start -> need_accuracy;
    need_accuracy -> large_v3 [label="ja"];
    need_accuracy -> multilingual [label="nein"];
    multilingual -> large_turbo [label="ja"];
    multilingual -> resource_constrained [label="nein (Englisch)"];
    resource_constrained -> distil_small [label="Mobil/Edge"];
    resource_constrained -> distil_medium [label="einige Grenzen"];
    resource_constrained -> distil_large [label="nein"];
}

Modelltabelle

Standardmodelle (Vollständiger Whisper)

ModellGrößeGeschwindigkeitGenauigkeitAnwendungsfall
tiny / tiny.en39MAm schnellstenBasisSchnelle Entwürfe
base / base.en74MSehr schnellGutAllgemeine Verwendung
small / small.en244MSchnellBesserDie meisten Aufgaben
medium / medium.en769MMäßigHochQualitätstranskription
large-v1/v2/v31,5 GBLangsamerBesteMaximale Genauigkeit
large-v3-turbo809MSchnellExzellentEmpfohlen für Genauigkeit

Destillierte Modelle (~6x schneller, ~1% WER-Unterschied)

ModellGrößeGeschwindigkeit vs. StandardGenauigkeitAnwendungsfall
distil-large-v3756M~6,3x schneller9,7% WERStandard, beste Balance
distil-large-v2756M~5,8x schneller10,1% WERFallback
distil-medium.en394M~6,8x schneller11,1% WERNur Englisch, ressourcenbeschränkt
distil-small.en166M~5,6x schneller12,1% WERMobil-/Edge-Geräte

.en-Modelle sind nur für Englisch und etwas schneller/besser für englische Inhalte.

Einrichtung

Linux / macOS / WSL2

# Führen Sie das Setup-Skript aus (erstellt venv, installiert Abhängigkeiten, erkennt GPU automatisch)
./setup.sh

Windows (Nativ)

# Führen Sie von PowerShell aus (installiert Python & ffmpeg bei Bedarf automatisch über winget)
.\setup.ps1

Das Windows-Setup-Skript wird:

  • Python 3.12 bei Bedarf automatisch über winget installieren
  • ffmpeg bei Bedarf automatisch über winget installieren
  • NVIDIA-GPU erkennen und CUDA-fähigen PyTorch installieren
  • venv erstellen und alle Abhängigkeiten installieren

Anforderungen:

  • Linux/macOS/WSL2: Python 3.10+, ffmpeg
  • Windows: Nichts! Setup installiert Voraussetzungen automatisch über winget

Plattformunterstützung

PlattformBeschleunigungGeschwindigkeitAuto-Installation
Windows + NVIDIA GPUCUDA~20x Echtzeit 🚀✅ Vollständig
Linux + NVIDIA GPUCUDA~20x Echtzeit 🚀Manuelle Voraussetzungen
WSL2 + NVIDIA GPUCUDA~20x Echtzeit 🚀Manuelle Voraussetzungen
macOS Apple SiliconCPU*~3-5x EchtzeitManuelle Voraussetzungen
macOS IntelCPU~1-2x EchtzeitManuelle Voraussetzungen
Windows (keine GPU)CPU~1x Echtzeit✅ Vollständig
Linux (keine GPU)CPU~1x EchtzeitManuelle Voraussetzungen

*faster-whisper verwendet CTranslate2, das auf macOS nur CPU-basiert ist, aber Apple Silicon ist schnell genug für den praktischen Einsatz.

GPU-Unterstützung (WICHTIG!)

Das Setup-Skript erkennt Ihre GPU automatisch und installiert PyTorch mit CUDA. Verwenden Sie immer GPU, wenn verfügbar — CPU-Transkription ist extrem langsam.

HardwareGeschwindigkeit9-minütiges Video
RTX 3070 (GPU)~20x Echtzeit~27 Sekunden
CPU (int8)~0,3x Echtzeit~30 Minuten

Wenn das Setup Ihre GPU nicht erkannt hat, installieren Sie PyTorch manuell mit CUDA:

Linux/macOS/WSL2:

# Für CUDA 12.x
uv pip install --python .venv/bin/python torch --index-url https://download.pytorch.org/whl/cu121

# Für CUDA 11.x
uv pip install --python .venv/bin/python torch --index-url https://download.pytorch.org/whl/cu118

Windows:

# Für CUDA 12.x
.venv\Scripts\pip install torch --index-url https://download.pytorch.org/whl/cu121

# Für CUDA 11.x
.venv\Scripts\pip install torch --index-url https://download.pytorch.org/whl/cu118

Verwendung

Linux/macOS/WSL2:

# Basis-Transkription
./scripts/transcribe audio.mp3

# Mit bestimmtem Modell
./scripts/transcribe audio.wav --model large-v3-turbo

# Mit Wort-Zeitstempeln
./scripts/transcribe audio.mp3 --word-timestamps

# Sprache angeben (schneller als Auto-Erkennung)
./scripts/transcribe audio.mp3 --language en

# JSON-Ausgabe
./scripts/transcribe audio.mp3 --json

Windows (cmd oder PowerShell):

# Basis-Transkription
.\scripts\transcribe.cmd audio.mp3

# Mit bestimmtem Modell
.\scripts\transcribe.cmd audio.wav --model large-v3-turbo

# Mit Wort-Zeitstempeln (native PowerShell-Syntax funktioniert auch)
.\scripts\transcribe.ps1 audio.mp3 -WordTimestamps

# JSON-Ausgabe
.\scripts\transcribe.cmd audio.mp3 --json

Optionen

--model, -m        Modellname (Standard: distil-large-v3)
--language, -l     Sprachcode (z. B. en, es, fr - Auto-Erkennung, falls weggelassen)
--word-timestamps  Wort-für-Wort-Zeitstempel einschließen
--beam-size        Beam-Search-Größe (Standard: 5, höher = genauer, aber langsamer)
--vad              Spracherkennung aktivieren (entfernt Stille)
--json, -j         Als JSON ausgeben
--output, -o       Transkript in Datei speichern
--device           cpu oder cuda (automatisch erkannt)
--compute-type     int8, float16, float32 (Standard: automatisch optimiert)
--quiet, -q        Fortschrittsmeldungen unterdrücken

Beispiele

# YouTube-Audio transkribieren (nach Extraktion mit yt-dlp)
yt-dlp -x --audio-format mp3 <URL> -o audio.mp3
./scripts/transcribe audio.mp3

# Batch-Transkription mit JSON-Ausgabe
for file in *.mp3; do
  ./scripts/transcribe "$file" --json > "${file%.mp3}.json"
done

# Hochpräzise Transkription mit größerer Beam-Größe
./scripts/transcribe audio.mp3 \
  --model large-v3-turbo --beam-size 10 --word-timestamps

# Schnelle englischsprachige Transkription
./scripts/transcribe audio.mp3 \
  --model distil-medium.en --language en

# Transkription mit VAD (entfernt Stille)
./scripts/transcribe audio.mp3 --vad

Häufige Fehler

FehlerProblemLösung
CPU verwenden, obwohl GPU verfügbar10-20x langsamere TranskriptionÜberprüfen Sie nvidia-smi unter Windows/Linux; verifizieren Sie CUDA-Installation
Sprache nicht angegebenVerschwendet Zeit mit Auto-Erkennung bei bekanntem InhaltVerwenden Sie --language en, wenn Sie die Sprache kennen
Falsches Modell verwendenUnnötige Langsamkeit oder schlechte GenauigkeitStandard distil-large-v3 ist ausgezeichnet; nur large-v3 verwenden, wenn Genauigkeitsprobleme auftreten
Destillierte Modelle ignorieren6-fache Beschleunigung mit <1% Genauigkeitsverlust verpassenVersuchen Sie distil-large-v3, bevor Sie zu Standardmodellen greifen
ffmpeg vergessenSetup schlägt fehl oder Audio kann nicht verarbeitet werdenSetup-Skript kümmert sich darum; manuelle Installationen benötigen ffmpeg separat
SpeicherfehlerModell zu groß für verfügbaren RAM/VRAMVerwenden Sie ein kleineres Modell oder --compute-type int8
Beam-Größe überoptimierenAbnehmende Erträge jenseits von Beam-Größe 5-7Standard 5 ist in Ordnung; versuchen Sie 10 für kritische Transkripte

Leistungshinweise

  • Erster Lauf: Modell herunterladen nach ~/.cache/huggingface/ (einmalig)
  • GPU: Verwendet automatisch CUDA, falls verfügbar (~10-20x schneller)
  • Quantisierung: INT8 auf CPU für ~4x Beschleunigung mit minimalem Genauigkeitsverlust
  • Speicher:
    • distil-large-v3: ~2GB RAM / ~1GB VRAM
    • large-v3-turbo: ~4GB RAM / ~2GB VRAM
    • tiny/base: <1GB RAM

Warum faster-whisper?

  • Geschwindigkeit: ~4-6x schneller als OpenAIs ursprüngliches Whisper
  • Genauigkeit: Identisch (verwendet dieselben Modellgewichte)
  • Effizienz: Geringerer Speicherverbrauch durch Quantisierung
  • Produktionsreif: Stabiles C++-Backend (CTranslate2)
  • Destillierte Modelle: ~6x schneller mit <1% Genauigkeitsverlust

Fehlerbehebung

"CUDA nicht verfügbar — verwende CPU": Installieren Sie PyTorch mit CUDA (siehe GPU-Unterstützung oben) Setup schlägt fehl: Stellen Sie sicher, dass Python 3.10+ installiert ist Speichermangel: Verwenden Sie ein kleineres Modell oder --compute-type int8 Langsam auf CPU: Erwartet — verwenden Sie GPU für praktische Transkription Modelldownload schlägt fehl: Überprüfen Sie die Berechtigungen von ~/.cache/huggingface/ (Linux/macOS) oder %USERPROFILE%\.cache\huggingface\ (Windows)

Windows-spezifisch

"winget nicht gefunden": Installieren Sie App Installer aus dem Microsoft Store, oder installieren Sie Python/ffmpeg manuell "Python nach Installation nicht im PATH": Schließen Sie Ihr Terminal und öffnen Sie es erneut, führen Sie dann erneut setup.ps1 aus PowerShell-Ausführungsrichtlinienfehler: Führen Sie Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned aus oder verwenden Sie stattdessen transcribe.cmd nvidia-smi nicht gefunden, aber GPU vorhanden: Installieren Sie NVIDIA-Treiber — die Game Ready- oder Studio-Treiber enthalten nvidia-smi

Referenzen

Individual skills in this repo

This repo contains 19 individual skills — each has its own dedicated page.

sundial-org/awesome-openclaw-skills

Complete X (Twitter) algorithm mastery - engagement weights, viral formulas, shadow ban avoidance, thread optimization, and growth strategies. Based on X's open-source code analysis and real creator data.

sundial-org/awesome-openclaw-skills

Create product demo videos by automating browser interactions and capturing frames. Use when the user wants to record a demo, walkthrough, product showcase, or interactive video of a web application. Supports Playwright CDP screencast for high-quality capture and FFmpeg for video encoding.

sundial-org/awesome-openclaw-skills

Text-to-speech conversion using node-edge-tts npm package for generating audio from text. Supports multiple voices, languages, speed adjustment, pitch control, and subtitle generation. Use when: (1) User requests audio/voice output with the "tts" trigger or keyword. (2) Content needs to be spoken rather than read (multitasking, accessibility, driving, cooking). (3) User wants a specific voice, speed, pitch, or format for TTS output.

sundial-org/awesome-openclaw-skills

Comprehensive video/audio processing with FFmpeg. Use for: (1) Video transcoding and format conversion, (2) Cutting and merging clips, (3) Audio extraction and manipulation, (4) Thumbnail and GIF generation, (5) Resolution scaling and quality adjustment, (6) Adding subtitles or watermarks, (7) Speed adjustment (slow/fast motion), (8) Color correction and filters.

sundial-org/awesome-openclaw-skills

Generate FFmpeg commands from natural language video editing requests - cut, trim, convert, compress, change aspect ratio, extract audio, and more.

sundial-org/awesome-openclaw-skills

Create a verbatim transcript for a YouTube URL using Google Gemini (speaker labels, paragraph breaks; no time codes). Use when the user asks to transcribe a YouTube video or wants a clean transcript (no timestamps).

sundial-org/awesome-openclaw-skills

Generate landing page code from product descriptions

sundial-org/awesome-openclaw-skills

Generate a beautiful HTML landing page from your package.json. Use when you need a quick marketing page for your project.

sundial-org/awesome-openclaw-skills

Founder vs employee personal branding strategies with LinkedIn positioning and exit planning

sundial-org/awesome-openclaw-skills

Monitor stock/crypto holdings, get price alerts, track portfolio performance

sundial-org/awesome-openclaw-skills

End-to-end AI video generation - create videos from text prompts using image generation, video synthesis, voice-over, and editing. Supports OpenAI DALL-E, Replicate models, LumaAI, Runway, and FFmpeg editing.

sundial-org/exa-web-search-free

Free AI search via Exa MCP. Web search for news/info, code search for docs/examples from GitHub/StackOverflow, company research for business intel. No API key needed.

sundial-org/finance-news

Market news briefings with AI summaries. Use when asked about stock news, market updates, portfolio performance, morning/evening briefings, financial headlines, or price alerts. Supports US/Europe/Japan markets, WhatsApp delivery, and English/German output.

sundial-org/jina-reader

Web content extraction via Jina AI Reader API. Three modes: read (URL to markdown), search (web search + full content), ground (fact-checking). Extracts clean content without exposing server IP.

sundial-org/memory-setup

Enable and configure Moltbot/Clawdbot memory search for persistent context. Use when setting up memory, fixing "goldfish brain," or helping users configure memorySearch in their config. Covers MEMORY.md, daily logs, and vector search setup.

sundial-org/news-summary

This skill should be used when the user asks for news updates, daily briefings, or what's happening in the world. Fetches news from trusted international RSS feeds and can create voice summaries.

sundial-org/ontology

Typed knowledge graph for structured agent memory and composable skills. Use when creating/querying entities (Person, Project, Task, Event, Document), linking related objects, enforcing constraints, planning multi-step actions as graph transformations, or when skills need to share state. Trigger on "remember", "what do I know about", "link X to Y", "show dependencies", entity CRUD, or cross-skill data access.

sundial-org/remind-me

Set reminders using natural language. Automatically creates one-time cron jobs and logs to markdown.

sundial-org/stock-market-pro

Professional stock price tracking, fundamental analysis, and financial reporting tool. Supports global markets (US, KR, etc.), Crypto, and Forex with real-time data. (1) Real-time quotes, (2) Valuation metrics (PE, EPS, ROE), (3) Earnings calendar and consensus, (4) High-quality Candlestick & Line charts with technical indicators (MA5/20/60).

Verwandte Skills