Name: Local STT (Nvidia Parakeet + Whisper Support)
Author: araa47

AlphaMoatによると、2026-09時点でLocal STT (Nvidia Parakeet + Whisper Support)のダウンロード数は3,904、スター数は1で、AIスキル全体5,078件中2,660位、デザイン・メディアでは512件中248位です。

インストール数

222

ダウンロード数

3904

スター数

総合順位

#2,660

全体の上位 53% · デザイン・メディアの上位 49%

プラットフォーム	インストール数	ダウンロード数	スター数	コメント
ClawHub ↗	121	3598	1	-
SkillHub ↗	222	3904	1	—

プラットフォームごとに集計方法と集計時点が異なります。

このスキルでできること

既定の Parakeet バックエンド（v2 モデル）は英語で最高精度を狙い、名前やフィラー言葉も正しく捉えます。Whisper は最速の推論で 99 言語に対応します。~/.openclaw/skills/local-stt/scripts/local-stt.py で実行し、-b/--backend でバックエンド、-m/--model でモデル（Parakeet v2/v3、Whisper tiny/base/small/large-v3-turbo）、--no-int8 で int8 量子化の無効化、-q/--quiet で進捗の非表示、--room-id で Matrix ルームへの直接送信を指定できます。24 秒音声のベンチマークでは、Whisper Base int8 が 0.43s（RTF 0.018x）で最速、Parakeet v2 int8 が 0.60s（RTF 0.025x）で最高精度、Parakeet v3 int8 が 0.63s（RTF 0.026x）で多言語対応でした。動作には ffmpeg が必要です。

資料公開日 2026-10-27

できること

クラウドに依存しないローカルでの音声書き起こし（audio.ogg など）
名前やフィラー言葉を含む英語転写で最高精度の Parakeet を選ぶ
多言語（99 言語）や最速推論の Whisper を選ぶ

使う場面

バックエンドとモデルを選べるローカル音声認識が必要なとき
静寂実行や Matrix ルームへの転写結果直接送信が必要なとき

プロンプト例

スキルのドキュメントをもとに生成した例であり、実際の実行結果ではありません。

この録音を Parakeet で文字に起こして

この音声を Whisper の large-v3-turbo モデルで書き起こして

会議録音を書き起こして Matrix ルームに送って

月次の推移

ダウンロード数3904

スター数1

2026-09 から集計方法を変更し、同名スキルを作者ごとに分けて集計し、全スキルを対象にしました。破線は変更前の月で、変更後のデータとは直接比較せず、変更をまたぐ増減も計算していません。

月	ダウンロード数	前月比	スター数
2026-09	3904	—	1
2026-08	3584	+3.9%	1
2026-07	3449	+6.9%	1
2026-06	3225	+3.9%	1
2026-05	3104	—	1
2026-03	2645	—	1

SKILL.md 原文

作者が公開した元のファイルをテキストのまま表示しています。AlphaMoat による編集や審査はしていません。リンクはクリックできません。コマンドは内容を確認してから実行してください。取得日 2026-10-23。

2.1 KB・ClawHub v1.0.0

---
name: local-stt
description: Local STT with selectable backends - Parakeet (best accuracy) or Whisper (fastest, multilingual).
metadata: {"openclaw":{"emoji":"🎙️","requires":{"bins":["ffmpeg"]}}}
---

# Local STT (Parakeet / Whisper)

Unified local speech-to-text using ONNX Runtime with int8 quantization. Choose your backend:

すべて表示(全 81 行)

- **Parakeet** (default): Best accuracy for English, correctly captures names and filler words
- **Whisper**: Fastest inference, supports 99 languages

## Usage

```bash
# Default: Parakeet v2 (best English accuracy)
~/.openclaw/skills/local-stt/scripts/local-stt.py audio.ogg

# Explicit backend selection
~/.openclaw/skills/local-stt/scripts/local-stt.py audio.ogg -b whisper
~/.openclaw/skills/local-stt/scripts/local-stt.py audio.ogg -b parakeet -m v3

# Quiet mode (suppress progress)
~/.openclaw/skills/local-stt/scripts/local-stt.py audio.ogg --quiet
```

## Options

- `-b/--backend`: `parakeet` (default), `whisper`
- `-m/--model`: Model variant (see below)
- `--no-int8`: Disable int8 quantization
- `-q/--quiet`: Suppress progress
- `--room-id`: Matrix room ID for direct message

## Models

### Parakeet (default backend)
| Model | Description |
|-------|-------------|
| **v2** (default) | English only, best accuracy |
| v3 | Multilingual |

### Whisper
| Model | Description |
|-------|-------------|
| tiny | Fastest, lower accuracy |
| **base** (default) | Good balance |
| small | Better accuracy |
| large-v3-turbo | Best quality, slower |

## Benchmark (24s audio)

| Backend/Model | Time | RTF | Notes |
|---------------|------|-----|-------|
| Whisper Base int8 | 0.43s | 0.018x | Fastest |
| **Parakeet v2 int8** | 0.60s | 0.025x | Best accuracy |
| Parakeet v3 int8 | 0.63s | 0.026x | Multilingual |

## openclaw.json

```json
{
  "tools": {
    "media": {
      "audio": {
        "enabled": true,
        "models": [
          {
            "type": "cli",
            "command": "~/.openclaw/skills/local-stt/scripts/local-stt.py",
            "args": ["--quiet", "{{MediaPath}}"],
            "timeoutSeconds": 30
          }
        ]
      }
    }
  }
}
```