Communitygithub.com

sundial-org/awesome-openclaw-skills

Transcripción local de voz a texto usando faster-whisper. Entre 4 y 6 veces más rápido que OpenAI Whisper con precisión idéntica; la aceleración por GPU permite transcripción aproximadamente 20x en tiempo real. Admite modelos estándar y destilados con marcas de tiempo a nivel de palabra.

¿Qué es awesome-openclaw-skills?

Este skill proporciona transcripción de voz a texto local y rápida mediante faster-whisper, una reimplementación en CTranslate2 del modelo Whisper de OpenAI. Su principal ventaja es que ejecuta la transcripción entre 4 y 6 veces más rápido que el Whisper original manteniendo la misma precisión y, con aceleración GPU, alcanza velocidades de aproximadamente 20x en tiempo real (por ejemplo, un audio de 10 minutos se transcribe en unos 30 segundos). Está diseñado para transcripción por lotes de archivos de audio y vídeo (reuniones, entrevistas, podcasts, clases, vídeos de YouTube), generación de subtítulos con marcas de tiempo por palabra y soporte multilingüe para más de 99 idiomas con detección automática. Funciona en Linux, macOS y Windows (con soporte de instalación automática en Windows). Requiere Python 3.10+ y ffmpeg. No es adecuado para transcripción en tiempo real o streaming. La selección del modelo es clave: se recomienda `distil-large-v3` como equilibrio óptimo entre velocidad y precisión, mientras que para máxima precisión se puede usar `large-v3-turbo` o `large-v3`. Los modelos destilados (`distil-large-v3`, `distil-medium.en`, `distil-small.en`) son unas 6 veces más rápidos con una pérdida de precisión inferior al 1% en WER.

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

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Faster Whisper

Transcripción local de voz a texto usando faster-whisper, una reimplementación en CTranslate2 del Whisper de OpenAI que es de 4 a 6 veces más rápido con precisión idéntica. Con aceleración por GPU, la transcripción alcanza aproximadamente 20x en tiempo real (un archivo de audio de 10 minutos en ~30 segundos).

Cuándo usarlo

Usa este skill cuando necesites:

  • Transcribir archivos de audio/vídeo: reuniones, entrevistas, podcasts, clases, vídeos de YouTube
  • Convertir voz a texto localmente: sin costes de API, funciona sin conexión (tras descargar el modelo)
  • Procesar por lotes varios archivos de audio: eficiente para grandes colecciones
  • Generar subtítulos: marcas de tiempo a nivel de palabra disponibles
  • Transcripción multilingüe: soporta más de 99 idiomas con detección automática

Frases de activación: "transcribe este audio", "convierte voz a texto", "qué dijo", "haz una transcripción", "audio a texto", "subtitula este vídeo"

Cuándo NO usarlo:

  • Transcripción en tiempo real/streaming (usa herramientas optimizadas para streaming)
  • Entornos solo en la nube sin computación local
  • Archivos de menos de 10 segundos donde la latencia de la API no importa

Referencia rápida

TareaComandoNotas
Transcripción básica./scripts/transcribe audio.mp3Usa distil-large-v3 por defecto
Más rápido en inglés./scripts/transcribe audio.mp3 --model distil-medium.en --language enSolo inglés, 6.8 veces más rápido
Máxima precisión./scripts/transcribe audio.mp3 --model large-v3-turbo --beam-size 10Más lento pero mejor calidad
Marcas de tiempo por palabra./scripts/transcribe audio.mp3 --word-timestampsPara subtítulos
Salida JSON./scripts/transcribe audio.mp3 --json -o output.jsonAcceso programático
Multilingüe./scripts/transcribe audio.mp3 --model large-v3-turboDetecta idioma automáticamente
Eliminar silencios./scripts/transcribe audio.mp3 --vadDetección de actividad de voz

Selección de modelo

Elige el modelo adecuado para tus necesidades:

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

    start [label="Inicio", shape=doublecircle];
    need_accuracy [label="¿Necesitas máxima\nprecisión?", shape=diamond];
    multilingual [label="¿Contenido\nmultilingüe?", shape=diamond];
    resource_constrained [label="¿Recursos\nlimitados?", shape=diamond];

    large_v3 [label="large-v3\no\nlarge-v3-turbo", style="rounded,filled", fillcolor=lightblue];
    large_turbo [label="large-v3-turbo", style="rounded,filled", fillcolor=lightblue];
    distil_large [label="distil-large-v3\n(por defecto)", 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="sí"];
    need_accuracy -> multilingual [label="no"];
    multilingual -> large_turbo [label="sí"];
    multilingual -> resource_constrained [label="no (inglés)"];
    resource_constrained -> distil_small [label="móvil/edge"];
    resource_constrained -> distil_medium [label="algunas limitaciones"];
    resource_constrained -> distil_large [label="no"];
}

Tabla de modelos

Modelos estándar (Whisper completo)

ModeloTamañoVelocidadPrecisiónCaso de uso
tiny / tiny.en39MMás rápidoBásicaBorradores rápidos
base / base.en74MMuy rápidoBuenaUso general
small / small.en244MRápidoMejorLa mayoría de tareas
medium / medium.en769MModeradoAltaTranscripción de calidad
large-v1/v2/v31.5GBLentoÓptimaMáxima precisión
large-v3-turbo809MRápidoExcelenteRecomendado para precisión

Modelos destilados (~6 veces más rápidos, ~1% de diferencia en WER)

ModeloTamañoVelocidad vs estándarPrecisiónCaso de uso
distil-large-v3756M~6.3 veces más rápido9.7% WERPor defecto, mejor equilibrio
distil-large-v2756M~5.8 veces más rápido10.1% WERAlternativa
distil-medium.en394M~6.8 veces más rápido11.1% WERSolo inglés, recursos limitados
distil-small.en166M~5.6 veces más rápido12.1% WERDispositivos móviles/edge

Los modelos .en son solo para inglés y ligeramente más rápidos/mejores para contenido en inglés.

Configuración

Linux / macOS / WSL2

# Ejecuta el script de configuración (crea un entorno virtual, instala dependencias, detecta GPU automáticamente)
./setup.sh

Windows (Nativo)

# Ejecuta desde PowerShell (instala automáticamente Python y ffmpeg si faltan, mediante winget)
.\setup.ps1

El script de configuración de Windows:

  • Instala automáticamente Python 3.12 mediante winget si no se encuentra
  • Instala automáticamente ffmpeg mediante winget si no se encuentra
  • Detecta GPU NVIDIA e instala PyTorch con soporte CUDA
  • Crea un entorno virtual e instala todas las dependencias

Requisitos:

  • Linux/macOS/WSL2: Python 3.10+, ffmpeg
  • Windows: ¡Nada! El script de configuración instala los requisitos previos automáticamente mediante winget

Soporte de plataformas

PlataformaAceleraciónVelocidadInstalación automática
Windows + GPU NVIDIACUDA~20x en tiempo real 🚀✅ Completa
Linux + GPU NVIDIACUDA~20x en tiempo real 🚀Requisitos manuales
WSL2 + GPU NVIDIACUDA~20x en tiempo real 🚀Requisitos manuales
macOS Apple SiliconCPU*~3-5x en tiempo realRequisitos manuales
macOS IntelCPU~1-2x en tiempo realRequisitos manuales
Windows (sin GPU)CPU~1x en tiempo real✅ Completa
Linux (sin GPU)CPU~1x en tiempo realRequisitos manuales

*faster-whisper usa CTranslate2 que es solo CPU en macOS, pero Apple Silicon es lo suficientemente rápido para uso práctico.

Soporte GPU (¡IMPORTANTE!)

El script de configuración detecta automáticamente tu GPU e instala PyTorch con CUDA. Usa siempre GPU si está disponible: la transcripción con CPU es extremadamente lenta.

HardwareVelocidadVídeo de 9 minutos
RTX 3070 (GPU)~20x en tiempo real~27 seg
CPU (int8)~0.3x en tiempo real~30 min

Si la configuración no detectó tu GPU, instala PyTorch con CUDA manualmente:

Linux/macOS/WSL2:

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

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

Windows:

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

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

Uso

Linux/macOS/WSL2:

# Transcripción básica
./scripts/transcribe audio.mp3

# Con modelo específico
./scripts/transcribe audio.wav --model large-v3-turbo

# Con marcas de tiempo por palabra
./scripts/transcribe audio.mp3 --word-timestamps

# Especificar idioma (más rápido que la detección automática)
./scripts/transcribe audio.mp3 --language en

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

Windows (cmd o PowerShell):

# Transcripción básica
.\scripts\transcribe.cmd audio.mp3

# Con modelo específico
.\scripts\transcribe.cmd audio.wav --model large-v3-turbo

# Con marcas de tiempo por palabra (también funciona la sintaxis nativa de PowerShell)
.\scripts\transcribe.ps1 audio.mp3 -WordTimestamps

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

Opciones

--model, -m        Nombre del modelo (por defecto: distil-large-v3)
--language, -l     Código de idioma (ej. en, es, fr - detección automática si se omite)
--word-timestamps  Incluye marcas de tiempo a nivel de palabra
--beam-size        Tamaño de búsqueda de haz (por defecto: 5, mayor = más preciso pero más lento)
--vad              Habilita detección de actividad de voz (elimina silencios)
--json, -j         Salida en JSON
--output, -o       Guarda la transcripción en un archivo
--device           cpu o cuda (detección automática)
--compute-type     int8, float16, float32 (por defecto: optimizado automáticamente)
--quiet, -q        Suprime mensajes de progreso

Ejemplos

# Transcribir audio de YouTube (tras extracción con yt-dlp)
yt-dlp -x --audio-format mp3 <URL> -o audio.mp3
./scripts/transcribe audio.mp3

# Transcripción por lotes con salida JSON
for file in *.mp3; do
  ./scripts/transcribe "$file" --json > "${file%.mp3}.json"
done

# Transcripción de alta precisión con tamaño de haz mayor
./scripts/transcribe audio.mp3 \
  --model large-v3-turbo --beam-size 10 --word-timestamps

# Transcripción rápida solo en inglés
./scripts/transcribe audio.mp3 \
  --model distil-medium.en --language en

# Transcripción con VAD (elimina silencios)
./scripts/transcribe audio.mp3 --vad

Errores comunes

ErrorProblemaSolución
Usar CPU cuando hay GPU disponibleTranscripción de 10 a 20 veces más lentaVerifica nvidia-smi en Windows/Linux; comprueba la instalación de CUDA
No especificar idiomaPierde tiempo detectando automáticamente contenido conocidoUsa --language en cuando conozcas el idioma
Usar el modelo incorrectoLentitud innecesaria o mala precisiónEl distil-large-v3 por defecto es excelente; solo usa large-v3 si hay problemas de precisión
Ignorar modelos destiladosPierdes una aceleración de 6x con <1% de pérdida de precisiónPrueba distil-large-v3 antes de recurrir a modelos estándar
Olvidar ffmpegLa configuración falla o no se puede procesar el audioEl script de configuración lo maneja; las instalaciones manuales necesitan ffmpeg por separado
Errores de memoria insuficienteModelo demasiado grande para la VRAM/RAM disponibleUsa un modelo más pequeño o --compute-type int8
Sobredimensionar el beam sizeRendimientos decrecientes más allá de beam-size 5-7El valor por defecto 5 es suficiente; prueba 10 para transcripciones críticas

Notas de rendimiento

  • Primera ejecución: Descarga el modelo en ~/.cache/huggingface/ (una sola vez)
  • GPU: Usa CUDA automáticamente si está disponible (~10-20x más rápido)
  • Cuantización: Se usa INT8 en CPU para una aceleración de ~4x con pérdida mínima de precisión
  • Memoria:
    • distil-large-v3: ~2GB RAM / ~1GB VRAM
    • large-v3-turbo: ~4GB RAM / ~2GB VRAM
    • tiny/base: <1GB RAM

¿Por qué faster-whisper?

  • Velocidad: ~4-6 veces más rápido que el Whisper original de OpenAI
  • Precisión: Idéntica (usa los mismos pesos del modelo)
  • Eficiencia: Menor uso de memoria mediante cuantización
  • Listo para producción: Backend C++ estable (CTranslate2)
  • Modelos destilados: ~6 veces más rápido con <1% de pérdida de precisión

Solución de problemas

"CUDA no disponible — usando CPU": Instala PyTorch con CUDA (consulta la sección de Soporte GPU más arriba) La configuración falla: Asegúrate de que Python 3.10+ esté instalado Memoria insuficiente: Usa un modelo más pequeño o --compute-type int8 Lento en CPU: Esperado: usa GPU para transcripción práctica Fallo en la descarga del modelo: Verifica los permisos de ~/.cache/huggingface/ (Linux/macOS) o %USERPROFILE%\.cache\huggingface\ (Windows)

Específico de Windows

"winget no encontrado": Instala App Installer desde Microsoft Store, o instala Python/ffmpeg manualmente "Python no está en PATH después de la instalación": Cierra y vuelve a abrir la terminal, luego ejecuta setup.ps1 de nuevo Error de directiva de ejecución de PowerShell: Ejecuta Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned o usa transcribe.cmd en su lugar nvidia-smi no encontrado pero tienes GPU: Instala controladores NVIDIA: los controladores Game Ready o Studio incluyen nvidia-smi

Referencias

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).

Skills relacionados