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

據 AlphaMoat 統計,截至 2026-09,Local STT (Nvidia Parakeet + Whisper Support) 累計下載 3,904 次、獲 1 個星標,在全部 5,078 個 AI 技能中排名第 2,660 位,在「設計創意」分類(512 個)中排名第 248 位。

累計安裝

222

累計下載

3904

星標

全站排名

#2,660

全站前 53% · 「設計創意」前 49%

平台	累計安裝	累計下載	星標	評論
ClawHub ↗	121	3598	1	-
SkillHub ↗	222	3904	1	—

各平台的計數口徑不同,統計時間不一致。

這個技能是做什麼的

預設後端 Parakeet（v2 模型）面向英文提供最佳準確率，能正確捕捉姓名與語氣詞；Whisper 後端推理最快並支援 99 種語言。透過 ~/.openclaw/skills/local-stt/scripts/local-stt.py 呼叫，可用 -b/--backend 選擇後端、-m/--model 指定模型（Parakeet v2/v3，Whisper tiny/base/small/large-v3-turbo）、--no-int8 關閉 int8 量化、-q/--quiet 靜默輸出，--room-id 可將結果直髮 Matrix 房間。24 秒音訊基準：Whisper Base int8 耗時 0.43s（RTF 0.018x）最快，Parakeet v2 int8 耗時 0.60s（RTF 0.025x）準確率最佳，Parakeet v3 int8 耗時 0.63s（RTF 0.026x）支援多語言。執行依賴 ffmpeg。

資料釋出於 2026-10-27

可以用來做什麼

本地轉寫音訊檔案（如 audio.ogg），不依賴雲端服務
英文轉寫選 Parakeet 獲取最佳準確率（含姓名與語氣詞）
多語言或更快速轉寫選 Whisper（支援 99 種語言）

什麼時候用

需要本地語音轉文字且希望自選後端與模型時
需要靜默執行或將轉寫結果直髮 Matrix 房間時

示例提示詞

以下是根據技能文件生成的示例,不代表實際執行結果。

把這段錄音用 Parakeet 轉成文字

用 Whisper 的 large-v3-turbo 模型轉寫這個音訊

把這個會議錄音轉寫併發到 Matrix 房間

月度資料趨勢

累計下載3904

星標1

2026-09 起統計方法調整:同名技能按作者分別統計,並覆蓋全部技能。圖中虛線為調整前的月份,與之後的資料不直接比較,也不計算跨越調整的增長。

月份	累計下載	環比	星標
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

以下是作者釋出的原始檔案,按純文字顯示,本站未做修改或稽核;其中的連結不可點選,命令請核實後再執行。抓取於 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:

展開全部(共 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
          }
        ]
      }
    }
  }
}
```