mcpField
S
speech-to-text

speech-to-text

github.com/qu-skills生产力441 次安装12 周前更新
代码仓库

关于 speech-to-text

这是一个通过 inference.sh 进行音频转写的 belt CLI 技能，提供多种语音模型，并支持时间戳和翻译，适用于将录音转成文本或字幕。

主要功能

  1. 01使用多种模型进行转写
  2. 02可选时间戳片段
  3. 03将音频翻译成英语
  4. 04Whisper 支持 99 种以上语言
  5. 05以 JSON 输出转写结果

适用场景

  1. 01转写会议录音
  2. 02制作播客文字稿
  3. 03生成视频字幕
  4. 04将语音备忘录转为可搜索文本

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/qu-skills/superpowers --skill speech-to-text

安装后在 Claude Code 中输入/speech-to-text确认已加载。

详细介绍

安装 belt CLI 技能： npx skills add belt-sh/cli

语音转文本

通过 inference.sh CLI 将音频转录为文本。

语音转文本

快速开始

需要 inference.sh CLI（belt）。安装说明

belt login

belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://audio.mp3"}'

可用模型

模型应用 ID适用场景
ElevenLabs Scribe v2elevenlabs/stt准确率 98% 以上、说话人分离、支持 90 多种语言
Fast Whisper V3infsh/fast-whisper-large-v3快速转录
Whisper V3 Largeinfsh/whisper-v3-large最高准确率

示例

基础转录
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://meeting.mp3"}'
带时间戳
belt app sample infsh/fast-whisper-large-v3 --save input.json

# {
#   "audio_url": "https://podcast.mp3",
#   "timestamps": true
# }

belt app run infsh/fast-whisper-large-v3 --input input.json
翻译（为英语）
belt app run infsh/whisper-v3-large --input '{
  "audio_url": "https://french-audio.mp3",
  "task": "translate"
}'
从视频转录
# Extract audio from video first
belt app run infsh/video-audio-extractor --input '{"video_url": "https://video.mp4"}' > audio.json

# Transcribe the extracted audio
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "<audio-url>"}'

工作流：视频字幕

# 1. Transcribe video audio
belt app run infsh/fast-whisper-large-v3 --input '{
  "audio_url": "https://video.mp4",
  "timestamps": true
}' > transcript.json

# 2. Use transcript for captions
belt app run infsh/caption-videos --input '{
  "video_url": "https://video.mp4",
  "captions": "<transcript-from-step-1>"
}'

支持的语言

Whisper 支持 99 种以上的语言，包括： 英语、西班牙语、法语、德语、意大利语、葡萄牙语、中文、日语、韩语、阿拉伯语、印地语、俄语等。

使用场景

  • 会议：转录录音
  • 播客：生成转录文本
  • 字幕：为视频创建字幕
  • 语音备忘录：转换为可搜索文本
  • 访谈：用于研究的转录
  • 无障碍：让音频内容更易于访问

输出格式

返回包含以下内容的 JSON：

  • text：完整转录文本
  • segments：带时间戳的片段（如有请求）
  • language：检测到的语言

相关技能

# ElevenLabs STT (98%+ accuracy, diarization)
npx skills add inference-sh/skills@elevenlabs-stt

# ElevenLabs TTS (reverse direction)
npx skills add inference-sh/skills@elevenlabs-tts

# Full platform skill (all apps)
npx skills add inference-sh/skills@infsh-cli

# Text-to-speech (reverse direction)
npx skills add inference-sh/skills@text-to-speech

# Video generation (add captions)
npx skills add inference-sh/skills@ai-video-generation

# AI avatars (lipsync with transcripts)
npx skills add inference-sh/skills@ai-avatar-video

浏览所有音频应用：belt app list --category audio

文档

评论

支持 Markdown