ez-stt について
ez-sttは、int8量子化を用いたONNX Runtimeによるローカル音声文字起こしスキルです。英語・多言語向けのParakeetモデルと、多言語対応のWhisperを選べます。利用にはffmpegが必要です。
主な機能
- 01ONNX Runtimeによるローカル文字起こし
- 02ParakeetとWhisperのバックエンド
- 03Parakeet v2・v3のモデル選択
- 0499言語対応のWhisper Base
- 05静音モードとMatrixルーム指定
活用シーン
- 01ローカル音声ファイルの文字起こし
- 02Parakeet v2での英語文字起こし
- 03Parakeet v3またはWhisperでの多言語文字起こし
- 04文字起こし結果のMatrixルームへの送信
インストール
コマンドをコピーしてターミナルで実行します。
$
npx skills add https:/インストール後、Claude Code で/ez-sttを入力して読み込まれたか確認します。
同梱ファイルreferences/OPENCLAW.mdscripts/stt.py
詳細
ez-stt - ローカル音声テキスト変換
int8 量子化を使用した、ONNX Runtime による統合ローカル音声テキスト変換です。バックエンドを選択してください。
- Parakeet（デフォルト）：英語の精度が最も高く、名前やフィラー語も正確に認識します
- Whisper：推論が最速で、99 言語に対応しています
ffmpeg のインストールが必要です。
使用方法
# Default: Parakeet v2 (best English accuracy)
scripts/stt.py audio.ogg
# Explicit backend selection
scripts/stt.py audio.ogg -b whisper
scripts/stt.py audio.ogg -b parakeet -m v3
# Quiet mode (suppress progress)
scripts/stt.py audio.ogg --quiet
オプション
-b/--backend：parakeet（デフォルト）、whisper-m/--model：モデルのバリアント（下記を参照）--no-int8：int8 量子化を無効にします-q/--quiet：進捗表示を抑制します--room-id：ダイレクトメッセージ用の Matrix ルーム ID
モデル
Parakeet（デフォルトのバックエンド）
| モデル | 説明 |
|---|---|
| v2（デフォルト） | 英語のみ、最高精度 |
| v3 | 多言語対応 |
Whisper
| モデル | 説明 |
|---|---|
| base（デフォルト） | 高速な多言語対応（onnx-asr で利用可能な唯一の Whisper バリアント） |
ベンチマーク（24 秒の音声）
| バックエンド／モデル | 時間 | RTF | 備考 |
|---|---|---|---|
| Whisper Base int8 | 0.43s | 0.018x | 最速 |
| Parakeet v2 int8 | 0.60s | 0.025x | 最高精度 |
| Parakeet v3 int8 | 0.63s | 0.026x | 多言語対応 |
OpenClaw
OpenClaw 固有のセットアップと openclaw.json の設定については、OPENCLAW.md を参照してください。
コメント
Markdown 対応