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

据 AlphaMoat 统计,截至 2026-09,Local STT (Nvidia Parakeet + Whisper Support) 累计下载 3,904 次、获 1 个星标,在全部 5,078 个 AI 技能中排名第 2,660 位,在「设计创意」分类(512 个)中排名第 248 位。

累计安装

222

累计下载

3,904

星标

全站排名

#2,660

全站前 53% · 「设计创意」前 49%

平台	累计安装	累计下载	星标	评论
ClawHub ↗	121	3,598	1	-
SkillHub ↗	222	3,904	1	—

各平台的计数口径不同,统计时间不一致。

这个技能是做什么的

默认后端 Parakeet（v2 模型）面向英文提供最佳准确率，能正确捕捉姓名与语气词；Whisper 后端推理最快并支持 99 种语言。通过 ~/.openclaw/skills/local-stt/scripts/local-stt.py 调用，可用 -b/--backend 选择后端、-m/--model 指定模型（Parakeet v2/v3，Whisper tiny/base/small/large-v3-turbo）、--no-int8 关闭 int8 量化、-q/--quiet 静默输出，--room-id 可将结果直发 Matrix 房间。24 秒音频基准：Whisper Base int8 耗时 0.43s（RTF 0.018x）最快，Parakeet v2 int8 耗时 0.60s（RTF 0.025x）准确率最佳，Parakeet v3 int8 耗时 0.63s（RTF 0.026x）支持多语言。运行依赖 ffmpeg。

资料发布于 2026-10-27

可以用来做什么

本地转写音频文件（如 audio.ogg），不依赖云端服务
英文转写选 Parakeet 获取最佳准确率（含姓名与语气词）
多语言或更快速转写选 Whisper（支持 99 种语言）

什么时候用

需要本地语音转文字且希望自选后端与模型时
需要静默运行或将转写结果直发 Matrix 房间时

示例提示词

以下是根据技能文档生成的示例,不代表实际运行结果。

把这段录音用 Parakeet 转成文字

用 Whisper 的 large-v3-turbo 模型转写这个音频

把这个会议录音转写并发到 Matrix 房间

月度数据趋势

累计下载3,904

星标1

2026-09 起统计方法调整:同名技能按作者分别统计,并覆盖全部技能。图中虚线为调整前的月份,与之后的数据不直接比较,也不计算跨越调整的增长。

月份	累计下载	环比	星标
2026-09	3,904	—	1
2026-08	3,584	+3.9%	1
2026-07	3,449	+6.9%	1
2026-06	3,225	+3.9%	1
2026-05	3,104	—	1
2026-03	2,645	—	1

SKILL.md 原文

以下是作者发布的原始文件,按纯文本显示,本站未做修改或审核;其中的链接不可点击,命令请核实后再运行。抓取于 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:

展开全部(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
          }
        ]
      }
    }
  }
}
```