Communitygithub.com

sundial-org/awesome-openclaw-skills

Transcription vocale locale à l'aide de faster-whisper. 4 à 6 fois plus rapide que OpenAI Whisper avec une précision identique ; l'accélération GPU permet une transcription environ 20x temps réel. Prend en charge les modèles standard et distillés avec horodatages au niveau des mots.

Qu'est-ce que awesome-openclaw-skills ?

Cette compétence permet aux agents IA d'effectuer une transcription vocale locale (speech-to-text) à l'aide de faster-whisper, une réimplémentation CTranslate2 du modèle Whisper d'OpenAI. Elle offre une vitesse de transcription 4 à 6 fois supérieure avec une précision identique et, grâce à l'accélération GPU, peut transcrire un fichier audio de 10 minutes en environ 30 secondes. La compétence prend en charge à la fois les modèles Whisper standard et les modèles distillés plus rapides, ainsi que l'horodatage au niveau des mots. Elle est idéale pour la transcription de réunions, d'interviews, de podcasts, de conférences et de vidéos YouTube, le tout en local, sans coût d'API et avec une prise en charge de plus de 99 langues. Les assistants peuvent invoquer cette compétence avec des phrases déclencheurs telles que “transcris cet audio”, “convertis la parole en texte” ou “fais une transcription”.

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Faster Whisper

Transcription vocale locale à l'aide de faster-whisper — une réimplémentation CTranslate2 du Whisper d'OpenAI qui est 4 à 6 fois plus rapide avec une précision identique. Avec l'accélération GPU, attendez-vous à une transcription environ 20x temps réel (un fichier audio de 10 minutes en ~30 secondes).

Quand l'utiliser

Utilisez cette compétence lorsque vous devez :

  • Transcrire des fichiers audio/vidéo — réunions, interviews, podcasts, cours, vidéos YouTube
  • Convertir la parole en texte localement — aucun coût d'API, fonctionne hors ligne (après téléchargement du modèle)
  • Traiter par lots plusieurs fichiers audio — efficace pour les grandes collections
  • Générer des sous-titres — horodatages au niveau des mots disponibles
  • Transcription multilingue — prend en charge plus de 99 langues avec détection automatique

Phrases déclencheurs : « transcris cet audio », « convertis la parole en texte », « qu'ont-ils dit », « fais une transcription », « audio en texte », « sous-titre cette vidéo »

Quand NE PAS l'utiliser :

  • Transcription en temps réel / en streaming (utilisez des outils optimisés pour le streaming)
  • Environnements cloud uniquement sans calcul local
  • Fichiers de moins de 10 secondes où la latence d'appel API n'a pas d'importance

Référence rapide

TâcheCommandeRemarques
Transcription de base./scripts/transcribe audio.mp3Utilise le modèle distil-large-v3 par défaut
Plus rapide en anglais./scripts/transcribe audio.mp3 --model distil-medium.en --language enAnglais uniquement, 6,8x plus rapide
Précision maximale./scripts/transcribe audio.mp3 --model large-v3-turbo --beam-size 10Plus lent mais meilleure qualité
Horodatages des mots./scripts/transcribe audio.mp3 --word-timestampsPour sous-titres
Sortie JSON./scripts/transcribe audio.mp3 --json -o output.jsonAccès programmatique
Multilingue./scripts/transcribe audio.mp3 --model large-v3-turboDétection automatique de la langue
Supprimer les silences./scripts/transcribe audio.mp3 --vadDétection d'activité vocale

Sélection du modèle

Choisissez le modèle adapté à vos besoins :

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

    start [label="Début", shape=doublecircle];
    need_accuracy [label="Besoin de précision
maximale ?", shape=diamond];
    multilingual [label="Contenu
multilingue ?", shape=diamond];
    resource_constrained [label="Contraintes de
ressources ?", shape=diamond];

    large_v3 [label="large-v3
ou
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
(par défaut)", 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="oui"];
    need_accuracy -> multilingual [label="non"];
    multilingual -> large_turbo [label="oui"];
    multilingual -> resource_constrained [label="non (anglais)"];
    resource_constrained -> distil_small [label="mobile/embarqué"];
    resource_constrained -> distil_medium [label="limites modérées"];
    resource_constrained -> distil_large [label="non"];
}

Tableau des modèles

Modèles standard (Whisper complet)

ModèleTailleVitessePrécisionCas d'utilisation
tiny / tiny.en39MTrès rapideBasiqueBrouillons rapides
base / base.en74MTrès rapideBonneUsage général
small / small.en244MRapideMeilleureLa plupart des tâches
medium / medium.en769MModéréeÉlevéeTranscription de qualité
large-v1/v2/v31,5 GoPlus lentExcellentePrécision maximale
large-v3-turbo809 MoRapideExcellenteRecommandé pour la précision

Modèles distillés (~6x plus rapides, ~1% de différence de WER)

ModèleTailleVitesse vs standardPrécisionCas d'utilisation
distil-large-v3756 Mo~6,3x plus rapide9,7% WERPar défaut, meilleur équilibre
distil-large-v2756 Mo~5,8x plus rapide10,1% WERSolution de repli
distil-medium.en394 Mo~6,8x plus rapide11,1% WERAnglais uniquement, ressources limitées
distil-small.en166 Mo~5,6x plus rapide12,1% WERAppareils mobiles/embarqués

Les modèles .en sont anglais uniquement et légèrement plus rapides/meilleurs pour le contenu en anglais.

Configuration

Linux / macOS / WSL2

# Exécutez le script de configuration (crée un venv, installe les dépendances, détection automatique du GPU)
./setup.sh

Windows (natif)

# Exécutez depuis PowerShell (installe automatiquement Python et ffmpeg s'ils sont manquants via winget)
.\setup.ps1

Le script de configuration Windows va :

  • Installer automatiquement Python 3.12 via winget s'il est introuvable
  • Installer automatiquement ffmpeg via winget s'il est introuvable
  • Détecter le GPU NVIDIA et installer PyTorch compatible CUDA
  • Créer un venv et installer toutes les dépendances

Prérequis :

  • Linux/macOS/WSL2 : Python 3.10+, ffmpeg
  • Windows : Rien ! Le script d'installation installe automatiquement les prérequis via winget

Prise en charge des plateformes

PlateformeAccélérationVitesseInstallation automatique
Windows + GPU NVIDIACUDA~20x temps réel 🚀✅ Complète
Linux + GPU NVIDIACUDA~20x temps réel 🚀Prérequis manuels
WSL2 + GPU NVIDIACUDA~20x temps réel 🚀Prérequis manuels
macOS Apple SiliconCPU*~3-5x temps réelPrérequis manuels
macOS IntelCPU~1-2x temps réelPrérequis manuels
Windows (sans GPU)CPU~1x temps réel✅ Complète
Linux (sans GPU)CPU~1x temps réelPrérequis manuels
  • faster-whisper utilise CTranslate2 qui est CPU uniquement sur macOS, mais Apple Silicon est assez rapide pour une utilisation pratique.

Prise en charge GPU (IMPORTANT !)

Le script de configuration détecte automatiquement votre GPU et installe PyTorch avec CUDA. Utilisez toujours le GPU si disponible — la transcription CPU est extrêmement lente.

MatérielVitesseVidéo de 9 min
RTX 3070 (GPU)~20x temps réel~27 sec
CPU (int8)~0,3x temps réel~30 min

Si la configuration n'a pas détecté votre GPU, installez manuellement PyTorch avec CUDA :

Linux/macOS/WSL2 :

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

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

Windows :

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

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

Utilisation

Linux/macOS/WSL2 :

# Transcription de base
./scripts/transcribe audio.mp3

# Avec un modèle spécifique
./scripts/transcribe audio.wav --model large-v3-turbo

# Avec horodatages des mots
./scripts/transcribe audio.mp3 --word-timestamps

# Spécifier la langue (plus rapide que la détection automatique)
./scripts/transcribe audio.mp3 --language en

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

Windows (cmd ou PowerShell) :

# Transcription de base
.\scripts\transcribe.cmd audio.mp3

# Avec un modèle spécifique
.\scripts\transcribe.cmd audio.wav --model large-v3-turbo

# Avec horodatages des mots (la syntaxe native PowerShell fonctionne aussi)
.\scripts\transcribe.ps1 audio.mp3 -WordTimestamps

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

Options

--model, -m        Nom du modèle (par défaut : distil-large-v3)
--language, -l     Code de langue (ex. : en, es, fr - détection automatique si omis)
--word-timestamps  Inclure les horodatages au niveau des mots
--beam-size        Taille de la recherche par faisceau (par défaut : 5, plus élevé = plus précis mais plus lent)
--vad              Activer la détection d'activité vocale (supprime les silences)
--json, -j         Sortie au format JSON
--output, -o       Enregistrer la transcription dans un fichier
--device           cpu ou cuda (détection automatique)
--compute-type     int8, float16, float32 (par défaut : auto-optimisé)
--quiet, -q        Supprimer les messages de progression

Exemples

# Transcrire l'audio d'une vidéo YouTube (après extraction avec yt-dlp)
 yt-dlp -x --audio-format mp3 <URL> -o audio.mp3
./scripts/transcribe audio.mp3

# Transcription par lots avec sortie JSON
for file in *.mp3; do
  ./scripts/transcribe "$file" --json > "${file%.mp3}.json"
done

# Transcription haute précision avec une taille de faisceau plus grande
./scripts/transcribe audio.mp3 \
  --model large-v3-turbo --beam-size 10 --word-timestamps

# Transcription rapide anglais uniquement
./scripts/transcribe audio.mp3 \
  --model distil-medium.en --language en

# Transcrire avec VAD (supprime les silences)
./scripts/transcribe audio.mp3 --vad

Erreurs courantes

ErreurProblèmeSolution
Utiliser le CPU alors que le GPU est disponibleTranscription 10-20x plus lenteVérifiez nvidia-smi sur Windows/Linux ; vérifiez l'installation CUDA
Ne pas spécifier la languePerte de temps en détection automatique pour un contenu connuUtilisez --language en lorsque vous connaissez la langue
Utiliser le mauvais modèleLenteur inutile ou mauvaise précisionLe modèle par défaut distil-large-v3 est excellent ; utilisez large-v3 uniquement en cas de problèmes de précision
Ignorer les modèles distillésPerte d'un gain de vitesse 6x avec <1% de perte de précisionEssayez distil-large-v3 avant d'utiliser les modèles standard
Oublier ffmpegL'installation échoue ou l'audio ne peut pas être traitéLe script d'installation gère cela ; les installations manuelles nécessitent ffmpeg séparément
Erreurs de mémoire insuffisanteModèle trop volumineux pour la VRAM/RAM disponibleUtilisez un modèle plus petit ou --compute-type int8
Taille de faisceau excessiveRendements décroissants au-delà de beam-size 5-7La valeur par défaut 5 est correcte ; essayez 10 pour les transcriptions critiques

Notes de performance

  • Premier lancement : Télécharge le modèle dans ~/.cache/huggingface/ (une seule fois)
  • GPU : Utilise automatiquement CUDA si disponible (~10-20x plus rapide)
  • Quantification : INT8 utilisé sur CPU pour un gain de vitesse ~4x avec une perte de précision minimale
  • Mémoire :
    • distil-large-v3 : ~2 Go de RAM / ~1 Go de VRAM
    • large-v3-turbo : ~4 Go de RAM / ~2 Go de VRAM
    • tiny/base : <1 Go de RAM

Pourquoi faster-whisper ?

  • Vitesse : ~4-6x plus rapide que le Whisper original d'OpenAI
  • Précision : Identique (utilise les mêmes poids de modèle)
  • Efficacité : Utilisation mémoire réduite grâce à la quantification
  • Prêt pour la production : Backend C++ stable (CTranslate2)
  • Modèles distillés : ~6x plus rapides avec <1% de perte de précision

Dépannage

« CUDA non disponible — utilisation du CPU » : Installez PyTorch avec CUDA (voir la section Prise en charge GPU ci-dessus) L'installation échoue : Assurez-vous que Python 3.10+ est installé Mémoire insuffisante : Utilisez un modèle plus petit ou --compute-type int8 Lent sur CPU : C'est normal — utilisez le GPU pour une transcription pratique Échec du téléchargement du modèle : Vérifiez les permissions de ~/.cache/huggingface/ (Linux/macOS) ou %USERPROFILE%\.cache\huggingface\ (Windows)

Spécifique à Windows

« winget introuvable » : Installez App Installer depuis le Microsoft Store, ou installez Python/ffmpeg manuellement « Python introuvable dans le PATH après l'installation » : Fermez et rouvrez votre terminal, puis exécutez à nouveau setup.ps1 Erreur de stratégie d'exécution PowerShell : Exécutez Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned ou utilisez plutôt transcribe.cmd nvidia-smi introuvable mais GPU présent : Installez les pilotes NVIDIA — les pilotes Game Ready ou Studio incluent nvidia-smi

Références

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 associés