Communitygithub.com

sundial-org/awesome-openclaw-skills

Conversão local de fala para texto usando faster-whisper. 4 a 6 vezes mais rápido que o OpenAI Whisper com precisão idêntica; aceleração por GPU permite transcrição em tempo real de ~20x. Suporta modelos padrão e destilados com carimbos de tempo no nível da palavra.

O que é awesome-openclaw-skills?

O skill Faster Whisper oferece uma implementação local e acelerada de fala para texto, baseada no repositório faster-whisper (CTranslate2), que é de 4 a 6 vezes mais rápido que o Whisper original da OpenAI, mantendo a mesma precisão. Com suporte a GPU (CUDA), atinge aproximadamente 20 vezes a velocidade em tempo real, transcrevendo um áudio de 10 minutos em cerca de 30 segundos. O skill é ideal para transcrição de reuniões, entrevistas, podcasts, legendagem e processamento em lote de arquivos de áudio e vídeo. Ele suporta mais de 99 idiomas com detecção automática, oferece modelos padrão e destilados (como distil-large-v3, que é o padrão), e permite carimbos de tempo no nível da palavra e saída em JSON. A instalação em Windows é totalmente automatizada, enquanto em Linux/macOS/WSL2 requer pré-requisitos manuais. O skill é compatível com agentes como Claude Code, Cursor e Codex, e é acionado por frases como "transcreva este áudio" ou "converta fala em texto".

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Faster Whisper

Conversão local de fala para texto usando faster-whisper — uma reimplementação em CTranslate2 do Whisper da OpenAI que é 4 a 6 vezes mais rápida com precisão idêntica. Com aceleração de GPU, espere ~20x em tempo real de transcrição (um arquivo de áudio de 10 minutos em ~30 segundos).

Quando Usar

Use este skill quando precisar de:

  • Transcrever arquivos de áudio/vídeo — reuniões, entrevistas, podcasts, palestras, vídeos do YouTube
  • Converter fala em texto localmente — sem custos de API, funciona offline (após download do modelo)
  • Processar vários arquivos de áudio em lote — eficiente para grandes coleções
  • Gerar legendas/legendas ocultas — carimbos de tempo no nível da palavra disponíveis
  • Transcrição multilíngue — suporta mais de 99 idiomas com detecção automática

Frases de ativação: "transcreva este áudio", "converta fala em texto", "o que eles disseram", "faça uma transcrição", "áudio para texto", "legende este vídeo"

Quando NÃO usar:

  • Transcrição em tempo real/streaming (use ferramentas otimizadas para streaming)
  • Ambientes somente em nuvem sem computação local
  • Arquivos com menos de 10 segundos onde a latência da chamada de API não importa

Referência Rápida

TarefaComandoObservações
Transcrição básica./scripts/transcribe audio.mp3Usa o distil-large-v3 padrão
Mais rápido em inglês./scripts/transcribe audio.mp3 --model distil-medium.en --language enSomente inglês, 6,8x mais rápido
Máxima precisão./scripts/transcribe audio.mp3 --model large-v3-turbo --beam-size 10Mais lento, mas melhor qualidade
Carimbos de tempo nas palavras./scripts/transcribe audio.mp3 --word-timestampsPara legendas/legendas ocultas
Saída JSON./scripts/transcribe audio.mp3 --json -o output.jsonAcesso programático
Multilíngue./scripts/transcribe audio.mp3 --model large-v3-turboDetecta idioma automaticamente
Remover silêncio./scripts/transcribe audio.mp3 --vadDetecção de atividade de voz

Seleção de Modelo

Escolha o modelo certo para suas necessidades:

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

    start [label="Início", shape=doublecircle];
    need_accuracy [label="Precisa de máxima\nprecisão?", shape=diamond];
    multilingual [label="Conteúdo\nmultilíngue?", shape=diamond];
    resource_constrained [label="Recursos\nlimitados?", shape=diamond];

    large_v3 [label="large-v3\nou\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(padrão)", 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="sim"];
    need_accuracy -> multilingual [label="não"];
    multilingual -> large_turbo [label="sim"];
    multilingual -> resource_constrained [label="não (inglês)"];
    resource_constrained -> distil_small [label="mobile/edge"];
    resource_constrained -> distil_medium [label="alguns limites"];
    resource_constrained -> distil_large [label="não"];
}

Tabela de Modelos

Modelos Padrão (Whisper Completo)

ModeloTamanhoVelocidadePrecisãoCaso de Uso
tiny / tiny.en39MMais rápidoBásicaRascunhos rápidos
base / base.en74MMuito rápidoBoaUso geral
small / small.en244MRápidoMelhorA maioria das tarefas
medium / medium.en769MModeradoAltaTranscrição de qualidade
large-v1/v2/v31,5 GBMais lentoMáximaPrecisão máxima
large-v3-turbo809MRápidoExcelenteRecomendado para precisão

Modelos Destilados (~6x mais rápidos, ~1% de diferença em WER)

ModeloTamanhoVelocidade vs PadrãoPrecisãoCaso de Uso
distil-large-v3756M~6,3x mais rápido9,7% WERPadrão, melhor equilíbrio
distil-large-v2756M~5,8x mais rápido10,1% WERAlternativa
distil-medium.en394M~6,8x mais rápido11,1% WERSomente inglês, recursos limitados
distil-small.en166M~5,6x mais rápido12,1% WERDispositivos móveis/edge

Modelos .en são somente inglês e ligeiramente mais rápidos/melhores para conteúdo em inglês.

Configuração

Linux / macOS / WSL2

# Execute o script de configuração (cria venv, instala dependências, detecta GPU automaticamente)
./setup.sh

Windows (Nativo)

# Execute do PowerShell (instala Python e ffmpeg automaticamente via winget se necessário)
.\setup.ps1

O script de configuração do Windows irá:

  • Instalar automaticamente o Python 3.12 via winget se não encontrado
  • Instalar automaticamente o ffmpeg via winget se não encontrado
  • Detectar GPU NVIDIA e instalar PyTorch com suporte CUDA
  • Criar venv e instalar todas as dependências

Requisitos:

  • Linux/macOS/WSL2: Python 3.10+, ffmpeg
  • Windows: Nada! A instalação instala pré-requisitos automaticamente via winget

Suporte a Plataforma

PlataformaAceleraçãoVelocidadeInstalação Automática
Windows + GPU NVIDIACUDA~20x em tempo real 🚀✅ Completa
Linux + GPU NVIDIACUDA~20x em tempo real 🚀Pré-requisitos manuais
WSL2 + GPU NVIDIACUDA~20x em tempo real 🚀Pré-requisitos manuais
macOS Apple SiliconCPU*~3-5x em tempo realPré-requisitos manuais
macOS IntelCPU~1-2x em tempo realPré-requisitos manuais
Windows (sem GPU)CPU~1x em tempo real✅ Completa
Linux (sem GPU)CPU~1x em tempo realPré-requisitos manuais

*o faster-whisper usa CTranslate2 que é apenas CPU no macOS, mas o Apple Silicon é rápido o suficiente para uso prático.

Suporte a GPU (IMPORTANTE!)

O script de configuração detecta automaticamente sua GPU e instala o PyTorch com CUDA. Sempre use GPU se disponível — transcrição em CPU é extremamente lenta.

HardwareVelocidadeVídeo de 9 min
RTX 3070 (GPU)~20x em tempo real~27 seg
CPU (int8)~0,3x em tempo real~30 min

Se a configuração não detectou sua GPU, instale manualmente o PyTorch com CUDA:

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:

# Transcrição básica
./scripts/transcribe audio.mp3

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

# Com carimbos de tempo nas palavras
./scripts/transcribe audio.mp3 --word-timestamps

# Especificar idioma (mais rápido que detecção automática)
./scripts/transcribe audio.mp3 --language en

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

Windows (cmd ou PowerShell):

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

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

# Com carimbos de tempo nas palavras (sintaxe nativa do PowerShell também funciona)
.\scripts\transcribe.ps1 audio.mp3 -WordTimestamps

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

Opções

--model, -m        Nome do modelo (padrão: distil-large-v3)
--language, -l     Código do idioma (ex.: en, es, fr - detecção automática se omitido)
--word-timestamps  Incluir carimbos de tempo no nível da palavra
--beam-size        Tamanho da busca em feixe (padrão: 5, maior = mais preciso, porém mais lento)
--vad              Ativar detecção de atividade de voz (remove silêncio)
--json, -j         Saída como JSON
--output, -o       Salvar transcrição em arquivo
--device           cpu ou cuda (detectado automaticamente)
--compute-type     int8, float16, float32 (padrão: auto-otimizado)
--quiet, -q        Suprimir mensagens de progresso

Exemplos

# Transcrever áudio do YouTube (após extração com yt-dlp)
yt-dlp -x --audio-format mp3 <URL> -o audio.mp3
./scripts/transcribe audio.mp3

# Transcrição em lote com saída JSON
for file in *.mp3; do
  ./scripts/transcribe "$file" --json > "${file%.mp3}.json"
done

# Transcrição de alta precisão com tamanho de feixe maior
./scripts/transcribe audio.mp3 \
  --model large-v3-turbo --beam-size 10 --word-timestamps

# Transcrição rápida somente em inglês
./scripts/transcribe audio.mp3 \
  --model distil-medium.en --language en

# Transcrever com VAD (remove silêncio)
./scripts/transcribe audio.mp3 --vad

Erros Comuns

ErroProblemaSolução
Usando CPU quando GPU disponívelTranscrição 10-20x mais lentaVerifique nvidia-smi no Windows/Linux; verifique instalação CUDA
Não especificar o idiomaPerde tempo com detecção automática em conteúdo conhecidoUse --language en quando souber o idioma
Usar modelo erradoLentidão desnecessária ou baixa precisãoO padrão distil-large-v3 é excelente; use large-v3 apenas se houver problemas de precisão
Ignorar modelos destiladosPerder ganho de 6x com perda de precisão <1%Experimente distil-large-v3 antes de usar modelos padrão
Esquecer o ffmpegInstalação falha ou áudio não pode ser processadoO script de instalação cuida disso; instalações manuais precisam de ffmpeg separadamente
Erro de memória insuficienteModelo grande demais para VRAM/RAM disponívelUse modelo menor ou --compute-type int8
Beam size superdimensionadoRetornos decrescentes além de beam-size 5-7O padrão 5 é suficiente; tente 10 para transcrições críticas

Notas de Desempenho

  • Primeira execução: Baixa o modelo para ~/.cache/huggingface/ (uma vez)
  • GPU: Usa CUDA automaticamente se disponível (~10-20x mais rápido)
  • Quantização: INT8 usado em CPU para ~4x de ganho de velocidade com perda mínima de precisão
  • Memória:
    • distil-large-v3: ~2GB RAM / ~1GB VRAM
    • large-v3-turbo: ~4GB RAM / ~2GB VRAM
    • tiny/base: <1GB RAM

Por que faster-whisper?

  • Velocidade: ~4-6x mais rápido que o Whisper original da OpenAI
  • Precisão: Idêntica (usa os mesmos pesos do modelo)
  • Eficiência: Menor uso de memória via quantização
  • Pronto para produção: Backend C++ estável (CTranslate2)
  • Modelos destilados: ~6x mais rápidos com perda de precisão <1%

Solução de Problemas

"CUDA não está disponível — usando CPU": Instale PyTorch com CUDA (veja Suporte a GPU acima) Falha na instalação: Certifique-se de que Python 3.10+ está instalado Memória insuficiente: Use modelo menor ou --compute-type int8 Lento na CPU: Esperado — use GPU para transcrição prática Falha no download do modelo: Verifique as permissões de ~/.cache/huggingface/ (Linux/macOS) ou %USERPROFILE%\.cache\huggingface\ (Windows)

Específico para Windows

"winget não encontrado": Instale o App Installer pela Microsoft Store, ou instale Python/ffmpeg manualmente "Python não está no PATH após instalação": Feche e reabra o terminal e execute setup.ps1 novamente Erro de política de execução do PowerShell: Execute Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned ou use transcribe.cmd nvidia-smi não encontrado mas tem GPU: Instale os drivers NVIDIA — os drivers Game Ready ou Studio incluem o nvidia-smi

Referências

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).

Habilidades Relacionadas