Communitygithub.com

curiositech/windags-skills

Erstelle Audio-Transkriptionspipelines mit Whisper, Deepgram und AssemblyAI, inklusive Sprecher-Diarisierung und Echtzeit-Streaming.

Was ist windags-skills?

Diese Fähigkeit ermöglicht es KI-Agenten, robuste Produktions-Pipelines zur Sprach-zu-Text-Transkription mit den führenden Diensten Whisper, Deepgram und AssemblyAI zu erstellen. Sie deckt sowohl Batch- als auch Echtzeit-Streaming-Transkription ab und bietet detaillierte Entscheidungsbäume zur Auswahl der optimalen Engine (z. B. Deepgram Nova-3 für niedrigste Latenz oder Whisper large-v3 für höchste Genauigkeit mit GPU). Die Fähigkeit behandelt kritische Fehlerquellen wie Halluzinationen bei Stille, Diarisierungskollaps bei mehr als 10 Sprechern und Timestamp-Drift bei Videoeingaben. Sie enthält detaillierte Schritt-für-Schritt-Worked Examples, Qualitätskennzahlen (WER < 5 %, Sprechergenauigkeit > 90 %) und klare Abgrenzungen zu Aufgaben wie TTS, Musiktranskription und Echtzeit-Übersetzung. Entwickler und Agenten können diese Fähigkeit sofort auf jeder Plattform (Claude Code, Cursor, Codex) nutzen, um zuverlässige, skalierbare Transkriptionslösungen mit Sprecher-Trennung und dynamischer VAD (Voice Activity Detection) zu implementieren.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/curiositech/windags-skills/tree/HEAD/skills/audio-transcription-pipeline
Original anzeigen→Alle Skills durchsuchen

In Ihrer bevorzugten KI fragen

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

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

Dokumentation

Audio-Transkriptionspipeline

Baue produktionsreife Sprach-zu-Text-Pipelines mit Whisper, Deepgram und AssemblyAI für Batch- und Echtzeit-Transkription mit Sprecher-Diarisierung.

Entscheidungspunkte

Entscheidungsbaum zur Engine-Auswahl

Wenn Anforderungen enthalten:
├─ Echtzeit-Streaming erforderlich?
│  ├─ Ja: Deepgram Nova-3 WebSocket verwenden (schnellste)
│  └─ Nein: Weiter zu Genauigkeitsanforderungen
├─ Höchste Genauigkeit erforderlich und GPU vorhanden?
│  ├─ Ja: Whisper large-v3 mit faster-whisper verwenden
│  └─ Nein: Weiter zur Kostenanalyse
├─ Budget < 0,0059 $/Min. UND Rechenleistung vorhanden?
│  ├─ Ja: Lokales Whisper verwenden
│  └─ Nein: AssemblyAI Universal-2 verwenden (beste API-Diarisierung)

Batch- vs. Stream-Verarbeitung

Wenn Audioeigenschaften:
├─ Dauer > 30 Minuten?
│  ├─ Ja: Batch mit Chunking verwenden (bei Stille trennen)
│  └─ Nein: Weiter zur Latenzprüfung
├─ Ergebnisse in < 10 Sekunden benötigt?
│  ├─ Ja: Streaming verwenden (Deepgram/Whisper.cpp)
│  └─ Nein: Batch für bessere Genauigkeit verwenden

VAD (Sprachaktivitätserkennung) Verwendung

Wenn Inhaltstyp:
├─ Live-Gespräch/Meeting?
│  ├─ Ja: VAD aktivieren (spart 40–60 % Rechenleistung bei Stille)
│  └─ Nein: Weiter zur Inhaltsprüfung
├─ Vorlesung/Präsentation mit Pausen?
│  ├─ Ja: Konservative VAD verwenden (min_silence_duration_ms: 1000)
│  └─ Nein: VAD für dichte Sprache überspringen (Hörbücher, etc.)

Modellauswahl nach Domain

Wenn Sprache/Akzent:
├─ Nicht-Englisch oder starker Akzent?
│  ├─ Ja: Whisper large-v3 verwenden (beste Mehrsprachigkeit)
│  └─ Nein: Weiter zur Geschwindigkeitsprüfung
├─ Benötigt < 1 Sekunde Latenz?
│  ├─ Ja: Deepgram Nova-3 Streaming verwenden
│  └─ Nein: AssemblyAI für Geschäfts-/Medizinterminologie verwenden

Fehlermodi

Halluzination bei Stille

Erkennung: Transkripte zeigen wiederholte Phrasen während ruhiger Abschnitte oder Phantom-Musikbeschreibungen Diagnose: VAD deaktiviert oder Schwelle zu niedrig, Modell generiert Text aus Hintergrundgeräuschen Behebung: VAD mit min_silence_duration_ms: 500 aktivieren, --no_speech_threshold 0.6 bei Whisper verwenden

Diarisierungskollaps bei > 10 Sprechern

Erkennung: Alle Sprecher werden nach 10–15 Minuten als „Sprecher 1" bezeichnet, oder zufälliger Sprecherwechsel mitten im Satz Diagnose: Sprecher-Embedding-Modell gesättigt, Überlappungsverwirrung in überfülltem Audio Behebung: Vorsegmentierung bei Stille, bei Stereo AssemblyAI dual_channel verwenden, auf maximal 8 aktive Sprecher begrenzen

Timestamp-Synchronisationsdrift bei Video

Erkennung: Untertitel erscheinen 2–5 Sekunden vor/nach entsprechenden Videoframes Diagnose: Audio-Vorverarbeitung hat die Dauer geändert, oder VAD hat Segmente ohne Timestamp-Anpassung entfernt Behebung: --preserve_timing in der Vorverarbeitung verwenden, mit originalem Audio-Zeitcode synchronisieren, anhand bekannter Sprachereignisse validieren

Fehlschlag der Sprachautomatik-Erkennung

Erkennung: Englische Wörter werden als Kauderwelsch transkribiert, wenn der Sprecher einen Akzent hat, oder Code-Switching wird ignoriert Diagnose: Modell in den ersten 30 Sekunden auf falsche Sprache festgelegt, oder mehrsprachiger Inhalt hat Klassifikator verwirrt Behebung: Sprache mit language="en" für akzentuiertes Englisch erzwingen, task="translate" für Nicht-Englisch zu Englisch verwenden

Speicherüberlauf bei langen Dateien

Erkennung: OOM-Abstürze bei Dateien > 45 Minuten oder plötzliche Qualitätseinbrüche nach 30 Minuten Diagnose: Modell behält vollständigen Kontextfenster bei, GPU-VRAM erschöpft Behebung: Chunking an 25-Minuten-Grenzen mit 30-Sekunden-Überlappung, --without_timestamps für RAM-Effizienz verwenden

Ausgearbeitete Beispiele

Vollständige Meeting-Transkriptionsdurchführung

Szenario: 90-minütige Vorstandssitzung, 6 Sprecher, genaue Sprecheridentifikation und Zeitstempel für Protokolle erforderlich

Eingabeanalyse:

  • 90 Minuten → erfordert Chunking
  • 6 Sprecher → innerhalb der Diarisierungsgrenzen
  • Geschäftskontext → AssemblyAI für Terminologie verwenden

Entscheidungspfad:

  1. Dauer > 30 Min. → Batch-Verarbeitung erforderlich
  2. Sprecheranzahl = 6 → Diarisierung durchführbar
  3. Geschäftsdomäne → AssemblyAI Universal-2 ausgewählt
  4. Hohe Genauigkeit erforderlich → Sprecherlabels + intelligente Formatierung aktivieren

Implementierung:

# Schritt 1: Vorverarbeitung (Experten erkennen: Audio-Pegel normalisieren)
ffmpeg -i meeting.mp4 -ar 16000 -ac 1 -filter:a "volume=0.8" meeting_clean.wav

# Schritt 2: Chunking mit Überlappung (Anfänger würde gesamte Datei verarbeiten)
from pydub import AudioSegment
audio = AudioSegment.from_wav("meeting_clean.wav")
chunks = []
for i in range(0, len(audio), 25*60*1000):  # 25-Minuten-Chunks
    chunk = audio[i:i+27*60*1000]  # 27 Minuten mit 2 Minuten Überlappung
    chunks.append(chunk)

# Schritt 3: Transkription mit Diarisierung
results = []
for chunk in chunks:
    response = assemblyai_client.transcribe(
        chunk, speaker_labels=True, auto_punctuation=True,
        dual_channel=False, speaker_labels_max=8
    )
    results.append(response.get_paragraphs())

# Schritt 4: Überlappende Segmente zusammenführen (Experten-Schritt, den Anfänger übersehen)
merged = merge_overlapping_transcripts(results, overlap_seconds=120)

Experte vs. Anfänger:

  • Anfänger: Verarbeitet 90-minütige Datei direkt → OOM-Absturz oder schlechte Genauigkeit
  • Experte: Chunked mit Überlappung, validiert Sprecherkonsistenz über Chunks hinweg, normalisiert Audio zuerst

Qualitätstore

  • WER (Wortfehlerrate) < 5 % bei Teststichprobe mit bekannter Ground Truth
  • Sprechergenauigkeit > 90 % (korrekte Sprecher-ID für jede Äußerung, wenn Ground Truth verfügbar)
  • Echtzeitlatenz < 2 Sekunden Ende-zu-Ende für Streaming-Implementierungen
  • SRT/VTT-Dateien bestehen Validierung (korrekte Zeitstempel, keine überlappenden Segmente)
  • Audio-Vorverarbeitung abgeschlossen: 16-kHz-Mono-WAV/FLAC-Format bestätigt
  • VAD-Parameter optimiert: < 10 % Falsch-Positiv-Stille-Erkennung bei Stichprobe
  • Speichernutzung < 8 GB für Dateien bis zu 2 Stunden (Chunking funktioniert ordnungsgemäß)
  • API-Fehlerbehandlung getestet: behandelt Timeouts, Wiederholungen und Kontingentüberschreitung
  • Diarisierungs-Sprecheranzahl entspricht der erwarteten Anzahl (±1 Sprecher Toleranz)
  • Ausgabe-Zeitstempel stimmen mit ursprünglichem Audio innerhalb von 100 ms überein

NICHT-FÜR-Grenzen

Diese Fähigkeit sollte NICHT verwendet werden für:

  • Text-to-Speech-Synthese → Stattdessen voice-audio-engineer verwenden
  • Musiktranskription oder Textextraktion → Stattdessen ai-engineer für Musik-KI-Modelle verwenden
  • Audio-Klassifikation ohne Transkription → Stattdessen ai-engineer für Audio-Klassifikation verwenden
  • Echtzeit-Übersetzung (Transkription + Übersetzung) → Mit language-translator-Fähigkeit kombinieren
  • Sprachbiometrie oder Sprecheridentifikation → Stattdessen ai-engineer für Sprechererkennungsmodelle verwenden
  • Audio-Qualitätsverbesserung oder Rauschunterdrückung → Stattdessen voice-audio-engineer für Audioverarbeitung verwenden

Delegieren, wenn:

  • Benutzerdefinierte Wake-Word-Erkennung benötigt wird → voice-audio-engineer
  • Audio-Fingerabdruck erforderlich ist → data-pipeline-engineer
  • Sprachassistenten erstellt werden → voice-audio-engineer + conversation-designer
  • Mehr als 10.000 Stunden verarbeitet werden → data-pipeline-engineer für Orchestrierung

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

curiositech/windags-skills

Expert in 2000s-era music visualization (Milkdrop, AVS, Geiss) and modern WebGL implementations. Specializes in Butterchurn integration, Web Audio API AnalyserNode FFT data, GLSL shaders for audio-reactive visuals, and psychedelic generative art. Activate on "Milkdrop", "music visualization", "WebGL visualizer", "Butterchurn", "audio reactive", "FFT visualization", "spectrum analyzer". NOT for simple bar charts/waveforms (use basic canvas), video editing, or non-audio visuals.

curiositech/windags-skills

Expert legal research agent for finding and scraping expungement data state by state. Knows authoritative sources, URL patterns, Firecrawl configuration, and 2026 legal landscape.

curiositech/windags-skills

Expert in 3D computer vision labeling tools, workflows, and AI-assisted annotation for LiDAR, point clouds, and sensor fusion. Covers SAM4D/Point-SAM, human-in-the-loop architectures, and vertical-specific training strategies. Activate on '3D labeling', 'point cloud annotation', 'LiDAR labeling', 'SAM 3D', 'SAM4D', 'sensor fusion annotation', '3D bounding box', 'semantic segmentation point cloud'. NOT for 2D image labeling (use clip-aware-embeddings), general ML training (use ml-engineer), video annotation without 3D (use computer-vision-pipeline), or VLM prompt engineering (use prompt-engineer).

curiositech/windags-skills

Implement WCAG 2.2 AA/AAA compliance with automated testing, keyboard navigation, screen reader support, and focus management. Activate on: accessibility audit, WCAG compliance, keyboard navigation, screen reader, aria attributes, axe-core, focus trap. NOT for: design-level accessibility review (use design-accessibility-auditor), color contrast only (use css-in-js-architect).

curiositech/windags-skills

Time-blind friendly planning, executive function support, and daily structure for ADHD brains. Specializes in realistic time estimation, dopamine-aware task design, and building systems that actually work for neurodivergent minds.

curiositech/windags-skills

Designs digital experiences for ADHD brains using neuroscience research and UX principles. Expert in reducing cognitive load, time blindness solutions, dopamine-driven engagement, and compassionate design patterns. Activate on 'ADHD design', 'cognitive load', 'accessibility', 'neurodivergent UX', 'time blindness', 'dopamine-driven', 'executive function'. NOT for general accessibility (WCAG only), neurotypical UX design, or simple UI styling without ADHD context.

curiositech/windags-skills

>- Apply crisis decision-making research to agent routing, uncertainty triage, and coordination failure analysis in time-pressured systems. Use when diagnosing handoff failures, analytical paralysis, or expert judgment under incomplete information. NOT for routine coding, simple CRUD design, or static single-agent tasks with complete information.

curiositech/windags-skills

Extend and modify the admin dashboard, developer portal, and operations console. Use when adding new admin tabs, metrics, monitoring features, or internal tools. Activates for dashboard development, analytics, user management, and internal tooling.

curiositech/windags-skills

Conversation patterns and interaction protocols for multi-agent systems. Covers request/response, pub/sub, blackboard, delegation chains, debate, critique, consensus, fan-out/fan-in, supervisor-worker, and peer negotiation. Deep analysis of AutoGen conversation patterns, CrewAI delegation, LangGraph state passing, and FIPA-ACL performatives. Teaches how to design what agents say to each other and in what order. Activate on: "agent conversation", "agent protocol", "multi-agent debate", "agent delegation", "supervisor worker pattern", "agent voting", "consensus protocol", "fan-out fan-in", "agent negotiation", "blackboard pattern", "agent dialogue", "conversation topology", "agent handoff". NOT for: wire format or serialization (use agent-interchange-formats), orchestration infrastructure (use agentic-infrastructure-2026), single agent behavior (use agentic-patterns).

curiositech/windags-skills

Meta-agent for creating new custom agents, skills, and MCP integrations. Expert in agent design, MCP development, skill architecture, and rapid prototyping. Activate on 'create agent', 'new skill', 'MCP server', 'custom tool', 'agent design'. NOT for using existing agents (invoke them directly), general coding (use language-specific skills), or infrastructure setup (use deployment-engineer).

curiositech/windags-skills

AI-powered calendar management and agent-based scheduling coordination. Covers calendar APIs (Google Calendar, CalDAV/iCal), AI scheduling assistants (Reclaim, Clockwise, Motion, Cal.com), building custom calendar agents with MCP, multi-calendar merging, timezone management, focus block protection, meeting fatigue detection, and agent-to-agent meeting negotiation protocols. Activate on: "calendar agent", "AI scheduling", "calendar coordination", "meeting scheduling", "calendar API", "focus time protection", "calendar optimization", "Google Calendar MCP", "Reclaim", "Clockwise", "Motion", "Cal.com", "smart scheduling", "calendar-aware agent", "timezone scheduling", "agent negotiation meetings". NOT for: manual calendar UI component design (use form-validation-architect), project management scheduling or Gantt charts (use project-management-guru-adhd), general time-tracking or pomodoro apps (use adhd-daily-planner for time-awareness), building the agent itself from scratch (use agent-creator).

curiositech/windags-skills

Build and adopt production AI agent infrastructure in 2026. Covers framework selection (LangGraph, CrewAI, AutoGen, MCP), orchestration patterns, evaluation, observability, memory systems, and tool use. Also covers the SOCIAL dimension: how to sell agent infrastructure internally, change management, measuring ROI, building trust in autonomous systems, and scaling adoption across teams. Activate on: "agent infrastructure", "agent framework comparison", "which agent framework", "sell AI tools internally", "agent adoption", "agent observability", "agent evaluation", "MCP architecture", "agentic mesh", "enterprise AI agents", "AI change management", "agent ROI". NOT for: building specific agents (use ai-engineer), designing agent behavior patterns (use agentic-patterns), prompt tuning (use prompt-engineer).

curiositech/windags-skills

Fundamental patterns for effective agentic behavior. Teaches decomposition, tool orchestration, error recovery, context management, quality self-assessment, and knowing when to stop. Model-agnostic principles that make any agent more effective regardless of domain. Activate on: "how should I structure this agent", "agentic workflow", "agent patterns", "multi-step task", "tool orchestration", "/agentic-patterns", "decompose this", "agent best practices", "chain of actions", "when should the agent stop", "agent loop design". NOT for: creating agent infrastructure (use agent-creator), building DAGs (use windags-architect), specific tool implementation.

curiositech/windags-skills

Automated discovery and matching of agent skills for dynamic task routing and capability assessment

curiositech/windags-skills

Cryptographic security for agentic systems — zero-trust agent networking, signed message envelopes (JWS/JWE), capability-based security (ocaps), Merkle tree audit trails, WASM sandboxing, and formal verification. Covers CLI dev tool security, mTLS between agents, permission boundaries (least privilege for AI agents), and supply chain security for skills/plugins. Activate on: "agent security", "zero trust agents", "secure agent communication", "capability-based security", "ocap", "signed messages between agents", "agent audit trail", "sandbox agent execution", "agent permissions", "mTLS agents", "cryptographic verification", "agent supply chain", "OWASP agentic", "prove agent did X", "tamper-proof agent logs". NOT for: application-level SAST scanning (use security-auditor), network firewall rules (use infrastructure), SOC2/HIPAA compliance (organizational), or prompt injection defense (use prompt-engineer).

curiositech/windags-skills

Data structures and serialization formats for agent-to-agent communication. Covers message envelopes, structured output schemas, capability declarations, task handoff payloads, error/retry signaling, and context windows as data structures. Deep comparison of A2A protocol, MCP, OpenAI function calling, and LangChain message types. Teaches when to use rigid schemas vs free-form with validation, typed vs untyped, streaming vs batch. Activate on: "agent message format", "agent communication schema", "agent-to-agent protocol", "A2A protocol", "MCP message format", "structured output for agents", "agent interop", "interchange format", "agent serialization", "task handoff format", "capability declaration". NOT for: what agents say to each other (use agent-conversation-protocols), orchestration topology (use multi-agent-coordination), building agent infrastructure (use agentic-infrastructure-2026).

curiositech/windags-skills

Logic-based agent programming language implementing BDI architecture for practical autonomous agent development

curiositech/windags-skills

>- Design AgentSpeak(L)-style BDI agents with context-guarded plans, selection functions, and intention stacks. Use for interruptible autonomy, agent policy, and multi-agent orchestration in dynamic environments. NOT for simple rule engines, static planners, or centralized workflows.

curiositech/windags-skills

Foundational concurrent computation model where actors communicate exclusively through asynchronous message passing

curiositech/windags-skills

license: Apache-2.0 NOT for unrelated tasks outside this domain.

Verwandte Skills

steipete/sag

ElevenLabs text-to-speech with mac-style say UX.

community

steipete/oracle

Oracle CLI second-model review/debug/refactor/design with selected files, dry-run token checks, API or browser engine.

community

steipete/peekaboo

Capture and automate macOS UI with the Peekaboo CLI.

community

mattpocock/design-an-interface

Generate multiple radically different interface designs for a module using parallel sub-agents. Use when user wants to design an API, explore interface options, compare module shapes, or mentions "design it twice".

community

mattpocock/prototype

Build a throwaway prototype to flesh out a design — a runnable terminal app for state/business-logic questions, or several radically different UI variations toggleable from one route.

community

mattpocock/grill-me

Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions "grill me".

community