Agent Skills für Audio und Stimme
Audio- und Voice-Skills decken Arbeit ab, die in beide Richtungen läuft: Speech to Text und Text to Speech. Auf der Eingangsseite bedeutet das Transkription, Zusammenfassung aufgezeichneter Gespräche und Audioverarbeitung wie Bereinigung oder Formatbehandlung. Auf der Ausgangsseite bedeutet es Spracherzeugung für Voiceovers sowie Dubbing und Übersetzung, wo eine Spur in eine andere Sprache neu vertont wird. Die Rangliste unten ist nach beobachteter Suchnachfrage geordnet, wobei Skills, die direkt zu diesem Thema passen, zuerst stehen, und es gibt eine Obergrenze, wie viele Einträge ein einzelner Anbieter halten kann. Nutze sie, indem du nach dem Unterthema suchst, das zu deiner Aufgabe passt, und dann die eigene Dokumentation jedes Skills liest, um zu bestätigen, dass er dein Audioformat, deine Sprache und deinen Workflow abdeckt, bevor du ihn in einen Agent lädst.
8 zum Start39 beste Optionen
Hier anfangen.
Audio work runs both directions: speech to text (transcribe, summarize) and text to speech (voiceover, dubbing).
Dies sind die relevantesten Ergebnisse. Öffne einen Skill, lies die Anleitung und prüfe die Eignung.
- Rang 01Agent Skill ansehenDirekt
transcribe
OffiziellTranskribiert Audiodateien in Text mit optionaler Diarisierung und Hinweisen zu bekannten Sprechern. Verwenden, wenn ein Nutzer darum bittet, Sprache aus Audio/Video zu transkribieren, Text aus Aufnahmen zu extrahieren oder Sprecher in Interviews oder Meetings zu kennzeichnen.
- Rang 02Agent Skill ansehenDirekt
speech-to-text
Transkribiert Audio zu Text mit ElevenLabs Scribe v2 mit 90+ Sprachen, Sprecher-Diarisierung und Wort-Zeitstempeln.
Voraussetzungen (angegeben): API key · Network access
9.737 · Beliebtheit - Rang 03Agent Skill ansehenDirekt
speech
OffiziellVerwenden, wenn der Nutzer Text-to-Speech-Erzählung oder Voiceover, Barrierefreiheits-Vorlesungen, Audio-Prompts oder Batch-Sprachgenerierung über die OpenAI Audio API anfragt; die mitgelieferte CLI (`scripts/text_to_speech.py`) mit integrierten Stimmen ausführen und `OPENAI_API_KEY` für Live-Aufrufe erforderlich. Die Erstellung eigener Stimmen liegt außerhalb des Umfangs.
- Rang 04Agent Skill ansehenDirekt
text-to-speech
Konvertiert Text zu Sprache mit ElevenLabs Voice AI und unterstützt über 70 Sprachen, mehrere Modelle, Stimmeneinstellungen und Voiceovers.
Voraussetzungen (angegeben): API key · Network access
13.871 · Beliebtheit - Rang 05Agent Skill ansehenDirekt
azure-ai-transcription-py
Offiziell| Azure AI Transcription SDK für Python. Verwende dies für Echtzeit- und Batch-Sprache-zu-Text-Transkription mit Zeitstempeln und Diarisierung. Auslöser: "transcription", "speech to text", "Azure AI Transcription", "TranscriptionClient".
- Rang 06Agent Skill ansehenDirekt
azure-speech-to-text-rest-py
Offiziell|- Azure Speech to Text REST API für kurzes Audio (Python). Verwende dies für einfache Spracherkennung von Audiodateien bis zu 60 Sekunden ohne das Speech SDK. Auslöser: "speech to text REST", "short audio transcription", "speech recognition REST API", "STT REST", "recognize speech REST". NICHT VERWENDEN FÜR: langes Audio (>60 Sekunden), Echtzeit-Streaming, Batch-Transkription, benutzerdefinierte Sprachmodelle, Sprachübersetzung. Verwende stattdessen das Speech SDK oder die Batch Transcription API.
- Rang 07Agent Skill ansehenDirekt
openai-whisper-api
Transkribiert Audio über die OpenAI Audio Transcriptions API mit curl, unterstützt die Modelle gpt-4o-transcribe, mini, diarize und whisper-1.
Voraussetzungen (angegeben): Node.js
3.262 · Beliebtheit - Rang 08Agent Skill ansehenDirekt
openai-whisper
Lokale Spracherkennung mit der Whisper CLI, die Audio ohne API-Schlüssel transkribiert.
4.700 · Beliebtheit
31 weitere Agent Skills anzeigen
- Rang 09Agent Skill ansehenDirekt
whisper
OpenAIs Whisper-Spracherkennungsmodell für Transkription, Übersetzung ins Englische und Spracherkennung über 99 Sprachen hinweg.
Voraussetzungen (angegeben): Python
1.467 · Beliebtheit - Rang 10Agent Skill ansehenDirekt
tts
Wandelt Text mit den Backends Kokoro lokal und Noiz Cloud in Sprach-Audio um und unterstützt Voice Cloning, zeitgenaues Dubbing und Sprachsteuerung pro Segment.
4.224 · Beliebtheit - Rang 11Agent Skill ansehenDirekt
edge-tts
Text-zu-Sprache-Konvertierung mit uvx edge-tts zur Erzeugung von Audio aus Text, mit mehreren Sprachen, Stimmen und einstellbarer Geschwindigkeit/Tonhöhe.
7.847 · Beliebtheit - Rang 12Agent Skill ansehenDirekt
qianwen-audio-tts
Synthetisiert Sprache aus Text mit Qwen TTS-Modellen, unterstützt Voiceovers, Narration und mehrere TTS-Backends.
Voraussetzungen (angegeben): Python
5.056 · Beliebtheit - Rang 13Agent Skill ansehenDirekt
qwencloud-audio-tts
Synthetisiert Sprache aus Text mit Qwen TTS-Modellen, unterstützt Voiceovers, Narration und mehrere TTS-Backends.
Voraussetzungen (angegeben): Python
1.539 · Beliebtheit - Rang 14Agent Skill ansehenDirekt
Transcription Automation
Automatisiert Audio-/Video-Transkription, Meeting-Notizen, Untertitel-Erstellung und Inhaltsverarbeitung mit Diarisierung und mehreren Ausgabeformaten.
4.365 · Beliebtheit - Rang 15Agent Skill ansehenDirekt
audio-transcription
Transkribiert lokale oder entfernte Audiodaten über PostPlus in dauerhafte Text- und Zeitstempel-Artefakte, mit untertitelfertigen Ausgaben.
1.297 · Beliebtheit - Rang 16Agent Skill ansehenDirekt
speech-recognition
Transkribiert Sprache zu Text mit Apples Speech-Framework, einschließlich Erkennung über Live-Mikrofon und aufgezeichnetes Audio unter iOS/macOS.
3.477 · Beliebtheit - Rang 17Agent Skill ansehenDirekt
fish-audio
Erzeugt KI-Text-to-Speech-Audio, verwendet gespeicherte Stimmen oder erstellt One-Shot-Voice-Clones über die AceDataCloud Fish Audio API.
4.116 · Beliebtheit - Rang 18Agent Skill ansehenDirekt
sherpa-onnx-tts
Lokale Text-to-Speech via sherpa-onnx, offline ohne Cloud-Abhängigkeit.
3.201 · Beliebtheit - Rang 19Agent Skill ansehenDirekt
sag
ElevenLabs Text-zu-Sprache mit einer mac-artigen say-UX, die Stimmen, Modelle und ausdrucksstarke Audio-Tags unterstützt.
Voraussetzungen (angegeben): API key
3.142 · Beliebtheit - Rang 20Agent Skill ansehenDirekt
dubbing
Synchronisiert Audio und Video mit der ElevenLabs Dubbing API in andere Sprachen und bewahrt die Stimmen der Originalsprecher mit bearbeitbaren Transkripten.
Voraussetzungen (angegeben): API key · Network access
2.538 · Beliebtheit - Rang 21Agent Skill ansehenDirekt
layer-audio
Erzeugt Audio mit Layer: Soundeffekte, Musik und Text-to-Speech-Voiceover, mit Hinweisen zu Prompts und Ausgabe.
1.968 · Beliebtheit - Rang 22Agent Skill ansehenMöglich
voice-isolator
Entfernt Hintergrundgeräusche und isoliert Vocals/Sprache aus Audio mithilfe der ElevenLabs Voice Isolator API, nützlich zum Bereinigen von Aufnahmen vor der Transkription.
Voraussetzungen (angegeben): API key · Network access
5.127 · Beliebtheit - Rang 23Agent Skill ansehenMöglich
characteristic-voice
Lässt generierte Sprache menschlicher und emotional ausdrucksstärker klingen, mit Fillers, Emotion-Tuning und Speaking-Style-Presets.
Voraussetzungen (angegeben): Python
2.754 · Beliebtheit - Rang 24Agent Skill ansehenMöglich
voice-changer
Verwandelt die Stimme in einer Audioaufnahme in eine andere Zielstimme, während Emotion, Timing und Vortrag über ElevenLabs speech-to-speech erhalten bleiben.
Voraussetzungen (angegeben): API key · Network access
4.924 · Beliebtheit - Rang 25Agent Skill ansehenMöglich
speech-engine
Fügt einer benutzerdefinierten Agent-Runtime Echtzeit-Sprachkonversationen mit ElevenLabs Speech Engine hinzu und übernimmt STT, Turn-Taking und TTS.
Voraussetzungen (angegeben): API key · Network access
4.901 · Beliebtheit - Rang 26Agent Skill ansehenMöglich
mmx-cli
MiniMax CLI zum Generieren von Text, Bildern, Video und Sprache sowie zum Transkribieren von Audio über die MiniMax AI Plattform.
31.010 · Beliebtheit - Rang 27Agent Skill ansehenMöglich
gemini-live-api-dev
Erstellt Echtzeit-Anwendungen mit bidirektionalem Streaming über die Gemini Live API, abdeckend Audio-/Video-/Text-Streaming, VAD, Live-Transkription und Übersetzung.
9.577 · Beliebtheit - Rang 28Agent Skill ansehenMöglich
azure-ai
OffiziellVerwenden für Azure AI: Search, Speech, OpenAI, Document Intelligence. Hilft bei Suche, Vektor-/Hybridsuche, Speech-to-Text, Text-to-Speech, Transkription, OCR. WANN: AI Search, Query-Suche, Vektorsuche, Hybridsuche, semantische Suche, Speech-to-Text, Text-to-Speech, transkribieren, OCR, Text in Sprache umwandeln.
- Rang 29Agent Skill ansehenMöglich
media-use
BeachtenswertAgent Media OS, der einzige Skill für jeden Medienbedarf in einem HyperFrames-Projekt. Löst BGM, SFX, Bild, Icon, Markenlogo, Stimme, Color Grade oder LUT in eine eingefrorene lokale Datei oder einen einfügefertigen Block + Ledger-Eintrag auf (ein Verb, `resolve`); generiert über TTS-/Musik-/Bildmodelle, wenn der Katalog nichts bietet; erzeugt Voiceover, Transkription, Untertitel und Hintergrundentfernung über eine gemeinsame Audio-Engine; arbeitet an Medien (schneiden / neu rahmen / transformieren); und verwendet Assets projektübergreifend wieder. Auch verwenden für vages Feedback, dass echtes Filmmaterial dunkel, flach, langweilig wirkt, sich retro/Camcorder/Print/ASCII anfühlen sollte, p benötigt
447.090 · Beliebtheit - Rang 30Agent Skill ansehenMöglich
ai-avatar-video
BeachtenswertErstelle KI-Avatare und Talking-Head-Videos über die inference.sh CLI. Empfohlen: P-Video-Avatar (schnellste, günstigste, integrierte TTS). Außerdem: OmniHuman, Fabric, PixVerse. Audio: Inworld TTS-2 (100+ Sprachen, Emotionssteuerung für Charaktere), ElevenLabs, Kokoro. Fähigkeiten: audiogesteuerte Avatare, Text-to-Avatar, Lipsync-Videos, Talking-Head-Generierung, virtuelle Präsentatoren, UGC-Inhalte. Verwendung für: KI-Präsentatoren, Erklärvideos, virtuelle Influencer, Dubbing, Marketingvideos, UGC-Anzeigen, Gaming-Avatare, NPC-Dialoge. Auslöser: ai avatar, talking head, lipsync, avatar video, virtual presenter, ai spokesperson
142.016 · Beliebtheit - Rang 31Agent Skill ansehenMöglich
p-video-avatar
Erzeugt Talking-Head-Avatar-Videos aus einem Porträtbild mit integriertem TTS über Pruna P-Video-Avatar und inference.sh CLI.
10.145 · Beliebtheit - Rang 32Agent Skill ansehenMöglich
videodb
Erfasst, indexiert, durchsucht, bearbeitet und überwacht Video und Audio mit dem VideoDB Python SDK, einschließlich Transkription, Untertiteln und Dubbing.
8.704 · Beliebtheit - Rang 33Agent Skill ansehenMöglich
fal-ai-media
Einheitliche Mediengenerierung über fal.ai MCP für Text-to-Image, Video, Text-to-Speech und Video-to-Audio.
8.815 · Beliebtheit - Rang 34Agent Skill ansehenMöglich
transformers-js
Führt ML-Modelle in JavaScript/TypeScript aus, einschließlich Spracherkennung und Audioklassifikation über Transformers.js-Pipelines.
Voraussetzungen (angegeben): Python · Node.js
1.922 · Beliebtheit - Rang 35Agent Skill ansehenMöglich
anything2explainer
Beachtenswert给一个主题，产出一条黑底 MG 风格（幕底可选星点或点阵波）、有配音字幕章节进度条的科普讲解视频（中文或英文；Remotion 代码动画；时长由用户定，常用 3–5 分钟）。内含可编译模板、图元库、配音/分镜/渲染工具、风格与动效规范、多 agent 分工协议与 QC 判据，以及一条完整样片（《RAG 与知识库》）作为质量标尺。Verwandelt jedes Thema in ein erzähltes Motion-Graphics-Erklärvideo auf Chinesisch oder Englisch, auf schwarzer Leinwand mit Sternenfeld- oder Punktefeld-Hintergrund, TTS-Voiceover, Untertiteln und Kapitel-Fortschrittsbalken, wobei jeder Frame im Code mit Remotion gezeichnet wird. Verwenden, wenn der Nutzer ein Erklär-, Bildungs- oder Wissenschaftskommunikationsvideo zu einem Thema wünscht oder einen Artikel oder ein Dokument in ein Video verwandeln möchte.
- Rang 36Agent Skill ansehenMöglich
azure-ai-openai-dotnet
Offiziell| Azure OpenAI SDK für .NET. Client-Bibliothek für Azure OpenAI- und OpenAI-Dienste. Verwende sie für Chat Completions, Embeddings, Bildgenerierung, Audiotranskription und Assistenten. Auslöser: "Azure OpenAI", "AzureOpenAIClient", "ChatClient", "chat completions .NET", "GPT-4", "embeddings", "DALL-E", "Whisper", "OpenAI .NET".
Voraussetzungen (angegeben): API key
- Rang 37Agent Skill ansehenMöglich173.506 · Beliebtheit
hyperframes-audio
Beachtenswert - Rang 38Agent Skill ansehenMöglich
azure-ai-voicelive-py
OffiziellErstelle Echtzeit-Voice-AI-Anwendungen mit dem Azure AI Voice Live SDK (azure-ai-voicelive). Verwende diesen Skill, wenn du Python-Anwendungen erstellst, die Echtzeit-Kommunikation mit bidirektionalem Audio mit Azure AI benötigen, einschließlich Sprachassistenten, sprachfähigen Chatbots, Echtzeit-Sprache-zu-Sprache-Übersetzung, sprachgesteuerten Avataren oder jedem WebSocket-basierten Audio-Streaming mit KI-Modellen. Unterstützt Server VAD (Voice Activity Detection), turnusmäßige Konversation, Function Calling, MCP-Tools, Avatar-Integration und Transkription.
Voraussetzungen (angegeben): API key
- Rang 39Agent Skill ansehenMöglich
azure-ai-contentunderstanding-py
Offiziell| Azure AI Content Understanding SDK für Python. Verwenden für multimodale Inhaltsextraktion aus Dokumenten, Bildern, Audio und Video. Auslöser: "azure-ai-contentunderstanding", "ContentUnderstandingClient", "multimodal analysis", "document extraction", "video analysis", "audio transcription".
Häufige Fragen
- Was ist der Unterschied zwischen Transkriptions- und Zusammenfassungs-Skills?
- Transcription-Skills wandeln Sprache in Text um, während Summarization-Skills diesen Text oder ein vorhandenes Transkript nehmen und verdichten. Sie werden oft zusammen in einer Pipeline genutzt, sind aber getrennte Aufgaben und können in getrennten Skills liegen.
- Kann ein Skill sowohl Speech-to-Text als auch Text-to-Speech abdecken?
- Audio-Arbeit läuft in beide Richtungen, aber ein gegebener Skill konzentriert sich meist auf eine Richtung: entweder Sprache in Text oder Text in Sprache. Prüfe die Dokumentation des Skills, um zu sehen, welche Seite er abdeckt.
- Wie ist die gereihte Liste sortiert?
- Die Liste ist nach beobachteter Suchnachfrage geordnet, mit direkten Treffern für dieses Thema zuerst. Eine Obergrenze begrenzt, wie viele Skills eines einzelnen Publishers erscheinen.
- Wo passen Dubbing und Übersetzung unter diesen Skills hinein?
- Dubbing und Übersetzung liegen auf der Text-to-Speech-Seite, wo eine Spur in eine andere Sprache neu vertont wird. Sie bauen auf Transkriptions- und Übersetzungsschritten auf, bevor Sprache erzeugt wird.
Agent Skill installieren
Agent Skills sind SKILL.md-Dateien. Die meisten Agenten erkennen sie, sobald sie im richtigen Skills-Verzeichnis liegen:
- Claude Code — copy the SKILL.md for transcribe into ~/.claude/skills/transcribe/ for yourself, or .claude/skills/transcribe/ to share it with a project.
- From the registry — run npx skills add openai/skills@transcribe.
- Or download transcribe from its source and place that SKILL.md in the directory above.
Wie auswählen Prüfe Quelle und Anleitung des Skills vor der Installation. Die Labels Official und Notable beschreiben die Herkunft eines Skills.
For agents To find skills for a job, install find-skills-for-the-job. It includes this catalog’s topics. npx skills add geekfoxcharlie/find-skills-for-the-job