オーディオと音声向けの Agent Skills
オーディオと音声のスキルは、双方向に走る作業をカバーします。音声からテキストへ、テキストから音声へです。入力側では、文字起こし、録音された会話の要約、クリーンアップやフォーマット処理などの音声処理を意味します。出力側では、ナレーション用の音声生成に加え、トラックを別言語に吹き替えるダビングと翻訳を意味します。以下のランク付けされたリストは観測された検索需要順で、このトピックに直接一致するスキルが先に配置され、1つのパブリッシャーが保持できる件数には上限があります。タスクに合うサブトピックを探して使い、エージェントに読み込む前に各スキル自身のドキュメントを読んで、自分の音声フォーマット、言語、ワークフローに対応しているか確認してください。
8 件から開始39 件のおすすめ候補
まずはこちらから。
Audio work runs both directions: speech to text (transcribe, summarize) and text to speech (voiceover, dubbing).
関連性の高い結果です。Skill の説明を読み、目的に合うか確認してください。
- 順位 01Agent Skill を見る直接一致
transcribe
公式音声ファイルをテキストに文字起こしします。オプションでダイアライゼーションと既知話者のヒントに対応。音声/動画からの音声の文字起こし、録音からのテキスト抽出、インタビューや会議での話者ラベル付けをユーザーが求める場合に使用します。
- 順位 02Agent Skill を見る直接一致
speech-to-text
ElevenLabs Scribe v2を使い音声をテキスト化します。90以上の言語、話者ダイアリゼーション、単語レベルのタイムスタンプに対応します。
前提条件（自己申告）: API key · Network access
9,737 · 人気度 - 順位 03Agent Skill を見る直接一致
speech
公式ユーザーがテキスト読み上げナレーションやボイスオーバー、アクセシビリティ読み上げ、音声プロンプト、OpenAI Audio API経由のバッチ音声生成を求めたときに使用。同梱のCLI（`scripts/text_to_speech.py`）を組み込みボイスで実行し、ライブ呼び出しには`OPENAI_API_KEY`が必要。カスタムボイス作成は対象外。
- 順位 04Agent Skill を見る直接一致
text-to-speech
ElevenLabs音声AIを使ってテキストを音声に変換します。70以上の言語、複数のモデル、音声設定、ナレーションに対応します。
前提条件（自己申告）: API key · Network access
13,871 · 人気度 - 順位 05Agent Skill を見る直接一致
azure-ai-transcription-py
公式| Python向けAzure AI Transcription SDK。タイムスタンプと話者分離を備えたリアルタイムおよびバッチの音声文字起こしに使用する。トリガー: "transcription"、"speech to text"、"Azure AI Transcription"、"TranscriptionClient"。
- 順位 06Agent Skill を見る直接一致
azure-speech-to-text-rest-py
公式|- 短い音声向けのAzure Speech to Text REST API（Python）。Speech SDKなしで最大60秒の音声ファイルの簡単な音声認識に使用する。トリガー: "speech to text REST"、"short audio transcription"、"speech recognition REST API"、"STT REST"、"recognize speech REST"。使用しない場合: 長い音声（60秒超）、リアルタイムストリーミング、バッチ文字起こし、カスタム音声モデル、音声翻訳。代わりにSpeech SDKまたはBatch Transcription APIを使用する。
- 順位 07Agent Skill を見る直接一致
openai-whisper-api
curlを使ってOpenAI Audio Transcriptions APIで音声を文字起こしし、gpt-4o-transcribe、mini、diarize、whisper-1モデルをサポートします。
前提条件（自己申告）: Node.js
3,262 · 人気度 - 順位 08Agent Skill を見る直接一致
openai-whisper
Whisper CLIによるローカル音声テキスト変換。APIキーなしで音声を文字起こしします。
4,700 · 人気度
ほか 31 件の Agent Skills を表示
- 順位 09Agent Skill を見る直接一致
whisper
OpenAIのWhisper音声認識モデルによる文字起こし、英語への翻訳、99言語にわたる言語識別。
前提条件（自己申告）: Python
1,467 · 人気度 - 順位 10Agent Skill を見る直接一致
tts
KokoroローカルおよびNoizクラウドのバックエンドでテキストを音声に変換。ボイスクローン、タイムライン精度のダビング、セグメント単位の音声制御をサポート。
4,224 · 人気度 - 順位 11Agent Skill を見る直接一致
edge-tts
uvx edge-ttsを用いたテキストtoスピーチ変換でテキストから音声を生成。多言語、複数ボイス、速度/ピッチ調整に対応。
7,847 · 人気度 - 順位 12Agent Skill を見る直接一致
qianwen-audio-tts
Qwen TTSモデルでテキストから音声を合成。ナレーションやボイスオーバーに対応し、複数のTTSバックエンドをサポート。
前提条件（自己申告）: Python
5,056 · 人気度 - 順位 13Agent Skill を見る直接一致
qwencloud-audio-tts
Qwen TTSモデルでテキストから音声を合成。ナレーションやボイスオーバーに対応し、複数のTTSバックエンドをサポート。
前提条件（自己申告）: Python
1,539 · 人気度 - 順位 14Agent Skill を見る直接一致
Transcription Automation
話者分離と複数の出力形式に対応し、音声/動画の文字起こし、議事録、字幕生成、コンテンツ処理を自動化。
4,365 · 人気度 - 順位 15Agent Skill を見る直接一致
audio-transcription
PostPlusを通じてローカルまたはリモートの音声を永続的なテキストとタイムスタンプの成果物に文字起こしし、字幕対応の出力を生成します。
1,297 · 人気度 - 順位 16Agent Skill を見る直接一致
speech-recognition
AppleのSpeechフレームワークを用いて音声をテキストに文字起こし。iOS/macOSでのライブマイクおよび録音音声の認識を扱います。
3,477 · 人気度 - 順位 17Agent Skill を見る直接一致
fish-audio
AceDataCloud Fish Audio API経由でAIテキスト読み上げ音声を生成し、保存済み音声を使用、またはワンショット音声クローンを作成。
4,116 · 人気度 - 順位 18Agent Skill を見る直接一致
sherpa-onnx-tts
sherpa-onnxによるローカルテキスト読み上げ。クラウド依存なしでオフライン動作。
3,201 · 人気度 - 順位 19Agent Skill を見る直接一致
sag
macスタイルのsay UXを備えたElevenLabs text-to-speech。ボイス、モデル、表現力豊かなオーディオタグをサポート。
前提条件（自己申告）: API key
3,142 · 人気度 - 順位 20Agent Skill を見る直接一致
dubbing
ElevenLabs Dubbing API を用いて音声と動画を他言語に吹き替えます。編集可能な文字起こしで、元の話者の声を保ちます。
前提条件（自己申告）: API key · Network access
2,538 · 人気度 - 順位 21Agent Skill を見る直接一致
layer-audio
Layerで音声を生成：効果音、音楽、テキスト読み上げナレーション。プロンプトと納品に関するガイダンス付き。
1,968 · 人気度 - 順位 22Agent Skill を見る一致の可能性
voice-isolator
ElevenLabs Voice Isolator APIを用いて音声から背景ノイズを除去しボーカル/音声を分離する。文字起こし前の録音のクリーンアップに有用。
前提条件（自己申告）: API key · Network access
5,127 · 人気度 - 順位 23Agent Skill を見る一致の可能性
characteristic-voice
フィラー、感情チューニング、話し方スタイルのプリセットで、生成音声をより人間らしく感情豊かに聞こえるようにする。
前提条件（自己申告）: Python
2,754 · 人気度 - 順位 24Agent Skill を見る一致の可能性
voice-changer
ElevenLabsのspeech-to-speechにより、音声録音の声を、感情・タイミング・話し方を保ったまま別のターゲットの声に変換します。
前提条件（自己申告）: API key · Network access
4,924 · 人気度 - 順位 25Agent Skill を見る一致の可能性
speech-engine
ElevenLabs Speech Engineを用いてカスタムエージェントランタイムにリアルタイム音声会話を追加する。STT、ターンテイキング、TTSを処理する。
前提条件（自己申告）: API key · Network access
4,901 · 人気度 - 順位 26Agent Skill を見る一致の可能性
mmx-cli
MiniMax CLI でテキスト、画像、動画、音声を生成し、MiniMax AI プラットフォーム経由で音声を文字起こしします。
31,010 · 人気度 - 順位 27Agent Skill を見る一致の可能性
gemini-live-api-dev
Gemini Live APIでリアルタイム双方向ストリーミングアプリを構築。音声/映像/テキストのストリーミング、VAD、ライブ文字起こし、翻訳をカバー。
9,577 · 人気度 - 順位 28Agent Skill を見る一致の可能性
azure-ai
公式Azure AI（Search、Speech、OpenAI、Document Intelligence）に使用。検索、ベクトル/ハイブリッド検索、音声テキスト化、テキスト音声化、文字起こし、OCRを支援。WHEN: AI Search、クエリ検索、ベクトル検索、ハイブリッド検索、セマンティック検索、音声テキスト化、テキスト音声化、文字起こし、OCR、テキストの音声変換。
- 順位 29Agent Skill を見る一致の可能性
media-use
注目Agent Media OS は、HyperFrames プロジェクトのあらゆるメディアニーズに対応する単一のスキルです。BGM、SFX、画像、アイコン、ブランドロゴ、音声、カラーグレード、LUT を、凍結されたローカルファイルまたは貼り付け可能なブロック + 台帳レコードに解決します（動詞は `resolve` の 1 つ）。カタログにない場合は TTS / 音楽 / 画像モデルで生成します。ボイスオーバー、文字起こし、キャプション、背景除去を 1 つの共有オーディオエンジンで生成します。メディアを操作し（cut / reframe / transform）、アセットをプロジェクト間で再利用します。実際の映像が暗い、平坦、退屈に見える、レトロ/カムコーダ/プリント/ASCII の雰囲気にすべき、といった曖昧なフィードバックにも使用します。
447,090 · 人気度 - 順位 30Agent Skill を見る一致の可能性
ai-avatar-video
注目inference.sh CLIでAIアバターとトーキングヘッド動画を作成。推奨: P-Video-Avatar(最速・最安・TTS内蔵)。ほか: OmniHuman、Fabric、PixVerse。音声: Inworld TTS-2(100以上の言語、キャラクターの感情操作)、ElevenLabs、Kokoro。機能: 音声駆動アバター、テキストからアバター、リップシンク動画、トーキングヘッド生成、バーチャルプレゼンター、UGCコンテンツ。用途: AIプレゼンター、解説動画、バーチャルインフルエンサー、吹き替え、マーケティング動画、UGC広告、ゲームアバター、NPCの会話。トリガー: ai avatar、talking head、lipsync、avatar video、virtual presenter、ai spokesperson
142,016 · 人気度 - 順位 31Agent Skill を見る一致の可能性
p-video-avatar
ポートレート画像から、Pruna P-Video-Avatarとinference.sh CLIによる組み込みTTSで、トーキングヘッドのアバター動画を生成します。
10,145 · 人気度 - 順位 32Agent Skill を見る一致の可能性
videodb
VideoDB Python SDKで動画と音声を取り込み、インデックス化、検索、編集、監視する。文字起こし、字幕、吹き替えを含む。
8,704 · 人気度 - 順位 33Agent Skill を見る一致の可能性
fal-ai-media
fal.ai MCP経由の統合メディア生成。テキストから画像、動画、テキスト読み上げ、動画から音声を扱います。
8,815 · 人気度 - 順位 34Agent Skill を見る一致の可能性
transformers-js
Transformers.jsパイプライン経由で、音声認識や音声分類を含むMLモデルをJavaScript/TypeScriptで実行する。
前提条件（自己申告）: Python · Node.js
1,922 · 人気度 - 順位 35Agent Skill を見る一致の可能性
anything2explainer
注目给一个主题，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。任意のトピックを、中国語または英語のナレーション付きモーショングラフィックス解説動画にします。黒いキャンバスに星野またはドットフィールドの背景、TTSボイスオーバー、字幕、チャプター進捗バーを備え、すべてのフレームをRemotionでコード描画します。ユーザーがトピックについての解説・教育・科学コミュニケーション動画を求めた場合、または記事や文書を動画化したい場合に使用します。
- 順位 36Agent Skill を見る一致の可能性
azure-ai-openai-dotnet
公式| .NET用Azure OpenAI SDK。Azure OpenAIおよびOpenAIサービスのクライアントライブラリ。チャット補完、埋め込み、画像生成、音声文字起こし、アシスタントに使用します。トリガー: "Azure OpenAI"、"AzureOpenAIClient"、"ChatClient"、"chat completions .NET"、"GPT-4"、"embeddings"、"DALL-E"、"Whisper"、"OpenAI .NET"。
前提条件（自己申告）: API key
- 順位 37Agent Skill を見る一致の可能性173,506 · 人気度
hyperframes-audio
注目 - 順位 38Agent Skill を見る一致の可能性
azure-ai-voicelive-py
公式Azure AI Voice Live SDK（azure-ai-voicelive）を使ったリアルタイム音声AIアプリケーションを構築します。Azure AIとのリアルタイム双方向音声通信を必要とするPythonアプリケーションを作成する際にこのスキルを使用します。音声アシスタント、音声対応チャットボット、リアルタイムの音声間翻訳、音声駆動アバター、またはAIモデルとのWebSocketベースの音声ストリーミングを含みます。Server VAD（音声活動検出）、ターン制会話、関数呼び出し、MCPツール、アバター統合、文字起こしに対応します。
前提条件（自己申告）: API key
- 順位 39Agent Skill を見る一致の可能性
azure-ai-contentunderstanding-py
公式| Python向けAzure AI Content Understanding SDK。ドキュメント、画像、音声、動画からのマルチモーダルコンテンツ抽出に使用。トリガー：「azure-ai-contentunderstanding」「ContentUnderstandingClient」「multimodal analysis」「document extraction」「video analysis」「audio transcription」。
よくある質問
- 文字起こしと要約のスキルの違いは何か？
- 文字起こしスキルは音声をテキストに変換し、要約スキルはそのテキストまたは既存の文字起こしを取って凝縮します。これらはしばしばパイプラインで一緒に使われますが、別々のタスクであり、別々のスキルに存在することがあります。
- 1つのSkillで音声からテキストとテキストから音声の両方を扱えますか？
- オーディオ作業は双方向に走りますが、通常、特定のSkillは片方向に焦点を当てます。音声をテキストにするか、テキストを音声にするかです。どちら側をカバーするかはSkillのドキュメントを確認しましょう。
- ランク付けされたリストはどのように並べられていますか？
- リストは観測された検索需要でランク付けされ、このトピックへの直接一致が先に置かれます。1つの発行元から出るSkill数には上限があります。
- dubbingとtranslationはこれらのスキルのどこに当てはまりますか？
- 吹き替えと翻訳は、トラックが別の言語に再音声化されるテキスト読み上げ側に位置します。これらは音声が生成される前の文字起こしと翻訳のステップの上に成り立ちます。
Agent Skill のインストール方法
Agent Skills は SKILL.md ファイルです。適切な skills ディレクトリに置くと、多くのエージェントが自動で認識します。
- 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.
選び方 インストール前に出典と Skill 自身の説明を確認してください。Official と Notable は出所を示すラベルです。
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