Agent Skills para Audio y voz
Las skills de audio y voz cubren trabajo que va en ambas direcciones: voz a texto y texto a voz. Del lado de la entrada, eso significa transcripción, resumen de conversaciones grabadas y procesamiento de audio como limpieza o manejo de formatos. Del lado de la salida, significa generar voz para locuciones, además de doblaje y traducción cuando una pista se revoicea a otro idioma. La lista ordenada de abajo está ordenada por demanda de búsqueda observada, con las skills que coinciden directamente con este tema en primer lugar y un límite de cuántas entradas puede tener un mismo publisher. Úsala buscando el sub-tema que coincida con tu tarea, luego leyendo la documentación propia de cada skill para confirmar que maneja tu formato de audio, idioma y flujo de trabajo antes de cargarla en un agent.
8 para empezar39 mejores opciones
Empieza por estos.
Audio work runs both directions: speech to text (transcribe, summarize) and text to speech (voiceover, dubbing).
Estos son los resultados más relevantes. Abre un Skill, lee sus instrucciones y decide si encaja.
- Puesto 01Ver Agent SkillDirecta
transcribe
OficialTranscribe archivos de audio a texto con diarización opcional y pistas de hablantes conocidos. Úsalo cuando un usuario pida transcribir voz de audio/video, extraer texto de grabaciones o etiquetar hablantes en entrevistas o reuniones.
- Puesto 02Ver Agent SkillDirecta
speech-to-text
Transcribe audio a texto usando ElevenLabs Scribe v2 con más de 90 idiomas, diarización de hablantes y marcas de tiempo a nivel de palabra.
Necesita (declarado): API key · Network access
9737 · popularidad - Puesto 03Ver Agent SkillDirecta
speech
OficialÚsalo cuando el usuario pida narración text-to-speech o voiceover, lecturas de accesibilidad, prompts de audio o generación de voz por lotes mediante la API de audio de OpenAI; ejecuta el CLI incluido (`scripts/text_to_speech.py`) con voces integradas y requiere `OPENAI_API_KEY` para llamadas en vivo. La creación de voces personalizadas queda fuera de alcance.
- Puesto 04Ver Agent SkillDirecta
text-to-speech
Convierte texto a voz con la IA de voz de ElevenLabs, con soporte para más de 70 idiomas, varios modelos, ajustes de voz y locuciones.
Necesita (declarado): API key · Network access
13.871 · popularidad - Puesto 05Ver Agent SkillDirecta
azure-ai-transcription-py
Oficial| Azure AI Transcription SDK para Python. Úsala para transcripción de voz a texto en tiempo real y por lotes con marcas de tiempo y diarización. Disparadores: "transcription", "speech to text", "Azure AI Transcription", "TranscriptionClient".
- Puesto 06Ver Agent SkillDirecta
azure-speech-to-text-rest-py
Oficial|- Azure Speech to Text REST API para audio corto (Python). Úsala para reconocimiento de voz simple de archivos de audio de hasta 60 segundos sin el Speech SDK. Disparadores: "speech to text REST", "short audio transcription", "speech recognition REST API", "STT REST", "recognize speech REST". NO USAR PARA: audio largo (>60 segundos), streaming en tiempo real, transcripción por lotes, modelos de voz personalizados, traducción de voz. Usa el Speech SDK o la Batch Transcription API en su lugar.
- Puesto 07Ver Agent SkillDirecta
openai-whisper-api
Transcribe audio mediante la API de transcripciones de audio de OpenAI usando curl, con soporte para los modelos gpt-4o-transcribe, mini, diarize y whisper-1.
Necesita (declarado): Node.js
3262 · popularidad - Puesto 08Ver Agent SkillDirecta
openai-whisper
Transcripción de voz a texto local con el CLI de Whisper, que transcribe audio sin necesidad de una clave de API.
4700 · popularidad
Explorar 31 Agent Skills más
- Puesto 09Ver Agent SkillDirecta
whisper
El modelo de reconocimiento de voz Whisper de OpenAI para transcripción, traducción al inglés e identificación de idioma en 99 idiomas.
Necesita (declarado): Python
1467 · popularidad - Puesto 10Ver Agent SkillDirecta
tts
Convierte texto en audio de voz con los backends locales Kokoro y en la nube Noiz, con soporte para clonación de voz, doblaje con precisión temporal y control de voz por segmento.
4224 · popularidad - Puesto 11Ver Agent SkillDirecta
edge-tts
Conversión de texto a voz usando uvx edge-tts para generar audio a partir de texto, con varios idiomas, voces y velocidad/tono ajustables.
7847 · popularidad - Puesto 12Ver Agent SkillDirecta
qianwen-audio-tts
Sintetiza voz a partir de texto con modelos Qwen TTS, admitiendo locuciones, narración y múltiples backends de TTS.
Necesita (declarado): Python
5056 · popularidad - Puesto 13Ver Agent SkillDirecta
qwencloud-audio-tts
Sintetiza voz a partir de texto con modelos Qwen TTS, admitiendo locuciones, narración y múltiples backends de TTS.
Necesita (declarado): Python
1539 · popularidad - Puesto 14Ver Agent SkillDirecta
Transcription Automation
Automatiza la transcripción de audio/video, notas de reuniones, generación de subtítulos y procesamiento de contenido con diarización y múltiples formatos de salida.
4365 · popularidad - Puesto 15Ver Agent SkillDirecta
audio-transcription
Transcribe audio local o remoto en texto duradero y artefactos con marcas de tiempo mediante PostPlus, con salidas listas para subtítulos.
1297 · popularidad - Puesto 16Ver Agent SkillDirecta
speech-recognition
Transcribe voz a texto usando el framework Speech de Apple, cubriendo reconocimiento de micrófono en vivo y audio grabado en iOS/macOS.
3477 · popularidad - Puesto 17Ver Agent SkillDirecta
fish-audio
Genera audio de texto a voz con IA, usa voces guardadas o crea clones de voz one-shot mediante la AceDataCloud Fish Audio API.
4116 · popularidad - Puesto 18Ver Agent SkillDirecta
sherpa-onnx-tts
Texto a voz local mediante sherpa-onnx, que funciona sin conexión y sin dependencia de la nube.
3201 · popularidad - Puesto 19Ver Agent SkillDirecta
sag
Texto a voz de ElevenLabs con una UX de say al estilo Mac, compatible con voces, modelos y etiquetas de audio expresivas.
Necesita (declarado): API key
3142 · popularidad - Puesto 20Ver Agent SkillDirecta
dubbing
Dobla audio y video a otros idiomas usando la API de Dubbing de ElevenLabs, preservando las voces de los hablantes originales con transcripciones editables.
Necesita (declarado): API key · Network access
2538 · popularidad - Puesto 21Ver Agent SkillDirecta
layer-audio
Genera audio con Layer: efectos de sonido, música y voz en off de texto a voz, con orientación sobre prompts y entrega.
1968 · popularidad - Puesto 22Ver Agent SkillPosible
voice-isolator
Elimina el ruido de fondo y aísla voces/habla del audio usando la API ElevenLabs Voice Isolator, útil para limpiar grabaciones antes de la transcripción.
Necesita (declarado): API key · Network access
5127 · popularidad - Puesto 23Ver Agent SkillPosible
characteristic-voice
Hace que el habla generada suene más humana y emocionalmente expresiva con muletillas, ajuste de emociones y presets de estilo de habla.
Necesita (declarado): Python
2754 · popularidad - Puesto 24Ver Agent SkillPosible
voice-changer
Transforma la voz de una grabación de audio en otra voz objetivo distinta preservando la emoción, el ritmo y la interpretación mediante speech-to-speech de ElevenLabs.
Necesita (declarado): API key · Network access
4924 · popularidad - Puesto 25Ver Agent SkillPosible
speech-engine
Añade conversaciones de voz en tiempo real a un runtime de agente personalizado con ElevenLabs Speech Engine, gestionando STT, toma de turnos y TTS.
Necesita (declarado): API key · Network access
4901 · popularidad - Puesto 26Ver Agent SkillPosible
mmx-cli
MiniMax CLI para generar texto, imágenes, vídeo y voz, y para transcribir audio mediante la plataforma MiniMax AI.
31.010 · popularidad - Puesto 27Ver Agent SkillPosible
gemini-live-api-dev
Construye aplicaciones de streaming bidireccional en tiempo real con la Gemini Live API, cubriendo streaming de audio/video/texto, VAD, transcripción en vivo y traducción.
9577 · popularidad - Puesto 28Ver Agent SkillPosible
azure-ai
OficialÚsalo para Azure AI: Search, Speech, OpenAI, Document Intelligence. Ayuda con búsqueda, búsqueda vectorial/híbrida, voz a texto, texto a voz, transcripción, OCR. CUÁNDO: AI Search, búsqueda de consultas, búsqueda vectorial, búsqueda híbrida, búsqueda semántica, voz a texto, texto a voz, transcribir, OCR, convertir texto a voz.
- Puesto 29Ver Agent SkillPosible
media-use
DestacadoAgent Media OS, el skill único para todas las necesidades multimedia en un proyecto de HyperFrames. Resuelve BGM, SFX, imagen, icono, logotipo de marca, voz, etalonaje de color o LUT en un archivo local congelado o un bloque listo para pegar + registro en el libro mayor (un verbo, `resolve`); genera mediante modelos de TTS / música / imagen cuando el catálogo no lo tenga; produce locución, transcripción, subtítulos y eliminación de fondo a través de un único motor de audio compartido; opera sobre medios (cortar / reencuadrar / transformar); y reutiliza recursos entre proyectos. Úsalo también para comentarios vagos de que el metraje real se ve oscuro, plano, aburrido, debería sentirse retro/cámara de vídeo/impresión/ASCII, necesita p.
447.090 · popularidad - Puesto 30Ver Agent SkillPosible
ai-avatar-video
DestacadoCrea avatares de IA y videos de talking head mediante el CLI inference.sh. Recomendado: P-Video-Avatar (el más rápido, económico y con TTS integrado). También: OmniHuman, Fabric, PixVerse. Audio: Inworld TTS-2 (más de 100 idiomas, control de emociones para personajes), ElevenLabs, Kokoro. Capacidades: avatares guiados por audio, texto a avatar, videos con lipsync, generación de talking head, presentadores virtuales, contenido UGC. Úsalo para: presentadores de IA, videos explicativos, influencers virtuales, doblaje, videos de marketing, anuncios UGC, avatares de gaming, diálogos de NPC. Disparadores: ai avatar, talking head, lipsync, avatar video, virtual presenter, ai spokesperson
142.016 · popularidad - Puesto 31Ver Agent SkillPosible
p-video-avatar
Genera vídeos de avatar con cabeza parlante a partir de una imagen de retrato con TTS integrado mediante Pruna P-Video-Avatar y la CLI de inference.sh.
10.145 · popularidad - Puesto 32Ver Agent SkillPosible
videodb
Ingiere, indexa, busca, edita y monitorea video y audio con el SDK de Python de VideoDB, incluyendo transcripción, subtítulos y doblaje.
8704 · popularidad - Puesto 33Ver Agent SkillPosible
fal-ai-media
Generación de medios unificada mediante fal.ai MCP que cubre texto a imagen, video, texto a voz y video a audio.
8815 · popularidad - Puesto 34Ver Agent SkillPosible
transformers-js
Ejecuta modelos de ML en JavaScript/TypeScript, incluidos reconocimiento de voz y clasificación de audio mediante pipelines de Transformers.js.
Necesita (declarado): Python · Node.js
1922 · popularidad - Puesto 35Ver Agent SkillPosible
anything2explainer
Destacado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。Convierte cualquier tema en un video explicativo narrado con motion graphics en chino o inglés, sobre un lienzo negro con fondo de campo de estrellas o de puntos, voz en off con TTS, subtítulos y una barra de progreso por capítulos, con cada frame dibujado en código con Remotion. Úsalo cuando el usuario pida un video explicativo, educativo o de divulgación científica sobre un tema, o quiera convertir un artículo o documento en un video.
- Puesto 36Ver Agent SkillPosible
azure-ai-openai-dotnet
Oficial| SDK de Azure OpenAI para .NET. Biblioteca cliente para los servicios de Azure OpenAI y OpenAI. Úsala para chat completions, embeddings, generación de imágenes, transcripción de audio y assistants. Disparadores: "Azure OpenAI", "AzureOpenAIClient", "ChatClient", "chat completions .NET", "GPT-4", "embeddings", "DALL-E", "Whisper", "OpenAI .NET".
Necesita (declarado): API key
- Puesto 37Ver Agent SkillPosible173.506 · popularidad
hyperframes-audio
Destacado - Puesto 38Ver Agent SkillPosible
azure-ai-voicelive-py
OficialCrea aplicaciones de IA de voz en tiempo real usando el SDK de Azure AI Voice Live (azure-ai-voicelive). Usa este skill al crear aplicaciones en Python que necesiten comunicación de audio bidireccional en tiempo real con Azure AI, incluidos asistentes de voz, chatbots habilitados por voz, traducción de voz a voz en tiempo real, avatares controlados por voz o cualquier streaming de audio basado en WebSocket con modelos de IA. Admite Server VAD (detección de actividad de voz), conversación por turnos, llamada a funciones, herramientas MCP, integración de avatares y transcripción.
Necesita (declarado): API key
- Puesto 39Ver Agent SkillPosible
azure-ai-contentunderstanding-py
Oficial| SDK de Azure AI Content Understanding para Python. Úsalo para la extracción de contenido multimodal de documentos, imágenes, audio y video. Disparadores: "azure-ai-contentunderstanding", "ContentUnderstandingClient", "multimodal analysis", "document extraction", "video analysis", "audio transcription".
Preguntas frecuentes
- ¿Cuál es la diferencia entre las skills de transcripción y de resumen?
- Las skills de transcripción convierten el habla en texto, mientras que las de resumen toman ese texto o una transcripción existente y lo condensan. A menudo se usan juntas en un pipeline, pero son tareas separadas y pueden vivir en skills separadas.
- ¿Puede una skill encargarse tanto de voz a texto como de texto a voz?
- El trabajo de audio va en ambas direcciones, pero una Skill concreta suele centrarse en una sola dirección: convertir voz en texto o texto en voz. Consulta la documentación de la Skill para ver qué lado cubre.
- ¿Cómo se ordena la lista clasificada?
- La lista está clasificada por la demanda de búsqueda observada, con las coincidencias directas para este tema en primer lugar. Un límite restringe cuántas skills de un mismo publicador aparecen.
- ¿Dónde encajan el doblaje y la traducción entre estas habilidades?
- El doblaje y la traducción están del lado del texto a voz, donde una pista se vuelve a locutar en otro idioma. Se apoyan en pasos previos de transcripción y traducción antes de generar la voz.
Cómo instalar un Agent Skill
Los Agent Skills son archivos SKILL.md. La mayoría de los agentes los detectan cuando están en el directorio de skills correcto:
- 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.
Cómo elegir Comprueba la fuente y las instrucciones del propio Skill antes de instalar. Las etiquetas Official y Notable describen el origen del Skill.
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