面向音频与语音的 Agent Skills
音频与语音技能覆盖双向进行的工作：语音转文字和文字转语音。在输入侧，这意味着转录、对录制对话的摘要，以及清理或格式处理等音频处理。在输出侧，这意味着为旁白生成语音，以及将音轨重新配音成另一种语言的配音和翻译。下面的排名列表按观察到的搜索需求排序，与本主题直接匹配的技能排在最前，并限制单一发布者可占用的条目数量。使用时，先扫描与你的任务匹配的子主题，然后阅读每个技能自己的文档，在将其加载到 Agent 前确认它能处理你的音频格式、语言和工作流。
8 个先看39 个推荐选项
从这些开始。
Audio work runs both directions: speech to text (transcribe, summarize) and text to speech (voiceover, dubbing).
这些是和这项工作最接近的结果。从第一条开始，打开后即可安装。
- 排名 01查看 Agent Skill直接匹配
transcribe
官方将音频文件转录为文本，支持可选的说话人分离和已知说话人提示。当用户要求从音频/视频转录语音、从录音中提取文本，或标记访谈或会议中的说话人时使用。
- 排名 02查看 Agent Skill直接匹配
speech-to-text
使用 ElevenLabs Scribe v2 将音频转录为文本，支持 90 多种语言、说话人分离和词级时间戳。
声明的前提（自述）: API key · Network access
9,737 · 受欢迎程度 - 排名 03查看 Agent Skill直接匹配
speech
官方当用户要求文本转语音旁白或配音、无障碍朗读、音频提示，或通过 OpenAI Audio API 批量生成语音时使用；运行捆绑的 CLI（`scripts/text_to_speech.py`），使用内置语音，实时调用需要 `OPENAI_API_KEY`。自定义语音创建不在范围内。
- 排名 04查看 Agent Skill直接匹配
text-to-speech
使用 ElevenLabs 语音 AI 将文本转换为语音，支持 70+ 种语言、多种模型、语音设置和配音。
声明的前提（自述）: API key · Network access
13,871 · 受欢迎程度 - 排名 05查看 Agent Skill直接匹配
azure-ai-transcription-py
官方| 面向 Python 的 Azure AI Transcription SDK。用于带时间戳和说话人分离的实时和批量语音转文本转录。触发词："transcription"、"speech to text"、"Azure AI Transcription"、"TranscriptionClient"。
- 排名 06查看 Agent Skill直接匹配
azure-speech-to-text-rest-py
官方|- Azure 语音转文本 REST API，用于短音频（Python）。用于对最长 60 秒的音频文件进行简单语音识别，无需 Speech SDK。触发词："speech to text REST"、"short audio transcription"、"speech recognition REST API"、"STT REST"、"recognize speech REST"。请勿用于：长音频（>60 秒）、实时流式传输、批量转录、自定义语音模型、语音翻译。请改用 Speech SDK 或 Batch Transcription API。
- 排名 07查看 Agent Skill直接匹配
openai-whisper-api
通过 curl 使用 OpenAI Audio Transcriptions API 转录音频，支持 gpt-4o-transcribe、mini、diarize 和 whisper-1 模型。
声明的前提（自述）: Node.js
3,262 · 受欢迎程度 - 排名 08查看 Agent Skill直接匹配
openai-whisper
使用 Whisper CLI 进行本地语音转文字，无需 API key 即可转录音频。
4,700 · 受欢迎程度
展开另外 31 个 Agent Skills
- 排名 09查看 Agent Skill直接匹配
whisper
OpenAI 的 Whisper 语音识别模型，用于转录、翻译成英语以及 99 种语言的语言识别。
声明的前提（自述）: Python
1,467 · 受欢迎程度 - 排名 10查看 Agent Skill直接匹配
tts
使用 Kokoro 本地和 Noiz 云端后端将文本转换为语音音频，支持声音克隆、时间线精确配音和逐段语音控制。
4,224 · 受欢迎程度 - 排名 11查看 Agent Skill直接匹配
edge-tts
使用 uvx edge-tts 进行文本转语音，从文本生成音频，支持多种语言、声音以及可调节的速度/音调。
7,847 · 受欢迎程度 - 排名 12查看 Agent Skill直接匹配
qianwen-audio-tts
使用 Qwen TTS 模型从文本合成语音，支持配音、旁白和多种 TTS 后端。
声明的前提（自述）: Python
5,056 · 受欢迎程度 - 排名 13查看 Agent Skill直接匹配
qwencloud-audio-tts
使用 Qwen TTS 模型从文本合成语音，支持配音、旁白和多种 TTS 后端。
声明的前提（自述）: Python
1,539 · 受欢迎程度 - 排名 14查看 Agent Skill直接匹配
Transcription Automation
自动化音频/视频转录、会议记录、字幕生成和内容处理，支持说话人分离和多种输出格式。
4,365 · 受欢迎程度 - 排名 15查看 Agent Skill直接匹配
audio-transcription
通过 PostPlus 将本地或远程音频转录为持久文本和时间戳产物，输出可直接用于字幕。
1,297 · 受欢迎程度 - 排名 16查看 Agent Skill直接匹配
speech-recognition
使用 Apple 的 Speech 框架将语音转写为文本，涵盖 iOS/macOS 上的实时麦克风和录制音频识别。
3,477 · 受欢迎程度 - 排名 17查看 Agent Skill直接匹配
fish-audio
通过 AceDataCloud Fish Audio API 生成 AI 文本转语音音频、使用已保存的声音或创建一次性声音克隆。
4,116 · 受欢迎程度 - 排名 18查看 Agent Skill直接匹配
sherpa-onnx-tts
通过 sherpa-onnx 实现本地文本转语音，离线运行，无云依赖。
3,201 · 受欢迎程度 - 排名 19查看 Agent Skill直接匹配
sag
ElevenLabs 文本转语音，具有 mac 风格 say 用户体验，支持语音、模型和富有表现力的音频标签。
声明的前提（自述）: API key
3,142 · 受欢迎程度 - 排名 20查看 Agent Skill直接匹配
dubbing
使用 ElevenLabs Dubbing API 将音频和视频配音为其他语言，通过可编辑转录稿保留原始说话者的声音。
声明的前提（自述）: API key · Network access
2,538 · 受欢迎程度 - 排名 21查看 Agent Skill直接匹配
layer-audio
使用 Layer 生成音频：音效、音乐和文本转语音旁白，并提供提示词和交付指导。
1,968 · 受欢迎程度 - 排名 22查看 Agent Skill可能匹配
voice-isolator
使用ElevenLabs Voice Isolator API从音频中去除背景噪音并分离人声/语音，适用于转录前清理录音。
声明的前提（自述）: API key · Network access
5,127 · 受欢迎程度 - 排名 23查看 Agent Skill可能匹配
characteristic-voice
通过填充词、情感调优和说话风格预设，让生成的语音听起来更自然、更具情感表现力。
声明的前提（自述）: Python
2,754 · 受欢迎程度 - 排名 24查看 Agent Skill可能匹配
voice-changer
通过 ElevenLabs 语音到语音，将音频录音中的声音转换为不同的目标声音，同时保留情感、时机和表达。
声明的前提（自述）: API key · Network access
4,924 · 受欢迎程度 - 排名 25查看 Agent Skill可能匹配
speech-engine
使用 ElevenLabs Speech Engine 为自定义代理运行时添加实时语音对话，处理 STT、轮流发言和 TTS。
声明的前提（自述）: API key · Network access
4,901 · 受欢迎程度 - 排名 26查看 Agent Skill可能匹配
mmx-cli
MiniMax CLI，通过 MiniMax AI 平台生成文本、图像、视频和语音，并转录音频。
31,010 · 受欢迎程度 - 排名 27查看 Agent Skill可能匹配
gemini-live-api-dev
使用 Gemini Live API 构建实时双向流式应用，涵盖音频/视频/文本流、VAD、实时转录和翻译。
9,577 · 受欢迎程度 - 排名 28查看 Agent Skill可能匹配
azure-ai
官方适用于 Azure AI：Search、Speech、OpenAI、Document Intelligence。帮助处理搜索、向量/混合搜索、语音转文本、文本转语音、转录、OCR。WHEN：AI Search、查询搜索、向量搜索、混合搜索、语义搜索、语音转文本、文本转语音、转录、OCR、将文本转换为语音。
- 排名 29查看 Agent Skill可能匹配
media-use
精选Agent Media OS，HyperFrames 项目中满足所有媒体需求的单一技能。将 BGM、SFX、图像、图标、品牌 logo、语音、调色或 LUT 解析为冻结的本地文件或可直接粘贴的块 + 台账记录（一个动词，`resolve`）；当目录中没有时，通过 TTS / 音乐 / 图像模型生成；通过一个共享音频引擎制作旁白、转录、字幕和背景移除；对媒体进行操作（cut / reframe / transform）；并跨项目复用资产。也适用于模糊反馈，例如真实素材看起来偏暗、平淡、无聊，应该具有复古/摄像机/印刷/ASCII 感，需要 p……
447,090 · 受欢迎程度 - 排名 30查看 Agent Skill可能匹配
ai-avatar-video
精选通过 inference.sh CLI 创建 AI 虚拟形象和口播视频。推荐：P-Video-Avatar（最快、最便宜、内置 TTS）。其他：OmniHuman、Fabric、PixVerse。音频：Inworld TTS-2（100+ 种语言，支持角色情感控制）、ElevenLabs、Kokoro。能力：音频驱动虚拟形象、文本转虚拟形象、唇同步视频、口播生成、虚拟主播、UGC 内容。适用场景：AI 主播、讲解视频、虚拟网红、配音、营销视频、UGC 广告、游戏虚拟形象、NPC 对话。触发词：ai avatar、talking head、lipsync、avatar video、virtual presenter、ai spokesperson
142,016 · 受欢迎程度 - 排名 31查看 Agent Skill可能匹配
p-video-avatar
从肖像图像生成说话头像视频，通过 Pruna P-Video-Avatar 和 inference.sh CLI 内置 TTS。
10,145 · 受欢迎程度 - 排名 32查看 Agent Skill可能匹配
videodb
使用 VideoDB Python SDK 摄取、索引、搜索、编辑和监控视频与音频，包括转录、字幕和配音。
8,704 · 受欢迎程度 - 排名 33查看 Agent Skill可能匹配
fal-ai-media
通过 fal.ai MCP 统一媒体生成，涵盖文生图、视频、文本转语音和视频转音频。
8,815 · 受欢迎程度 - 排名 34查看 Agent Skill可能匹配
transformers-js
在 JavaScript/TypeScript 中运行 ML 模型，包括通过 Transformers.js pipelines 进行语音识别和音频分类。
声明的前提（自述）: Python · Node.js
1,922 · 受欢迎程度 - 排名 35查看 Agent Skill可能匹配
anything2explainer
精选给一个主题，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。将任意主题转化为中文或英文的带旁白动态图形讲解视频，采用黑色画布配星场或点阵背景、TTS 配音、字幕和章节进度条，每一帧都用 Remotion 以代码绘制。当用户要求关于某主题的讲解、教育或科普视频，或想把文章或文档转化为视频时使用。
- 排名 36查看 Agent Skill可能匹配
azure-ai-openai-dotnet
官方| 适用于 .NET 的 Azure OpenAI SDK。用于 Azure OpenAI 和 OpenAI 服务的客户端库。用于聊天补全、嵌入、图像生成、音频转录和助手。触发词："Azure OpenAI"、"AzureOpenAIClient"、"ChatClient"、"chat completions .NET"、"GPT-4"、"embeddings"、"DALL-E"、"Whisper"、"OpenAI .NET"。
声明的前提（自述）: API key
- 排名 37查看 Agent Skill可能匹配173,506 · 受欢迎程度
hyperframes-audio
精选 - 排名 38查看 Agent Skill可能匹配
azure-ai-voicelive-py
官方使用 Azure AI Voice Live SDK（azure-ai-voicelive）构建实时语音 AI 应用。在创建需要与 Azure AI 进行实时双向音频通信的 Python 应用时使用此技能，包括语音助手、语音聊天机器人、实时语音到语音翻译、语音驱动虚拟形象，或任何基于 WebSocket 的 AI 模型音频流传输。支持 Server VAD（语音活动检测）、回合制对话、函数调用、MCP 工具、虚拟形象集成和转录。
声明的前提（自述）: API key
- 排名 39查看 Agent Skill可能匹配
azure-ai-contentunderstanding-py
官方| 面向 Python 的 Azure AI Content Understanding SDK。用于从文档、图像、音频和视频中进行多模态内容提取。触发词："azure-ai-contentunderstanding"、"ContentUnderstandingClient"、"multimodal analysis"、"document extraction"、"video analysis"、"audio transcription"。
常见问题
- 转录和摘要 Skill 有什么区别？
- 转录技能将语音转换为文本，而摘要技能则接收该文本或现有转录并将其浓缩。它们通常在流水线中一起使用，但它们是不同的任务，可能存在于不同的技能中。
- 一个 Skill 能同时处理语音转文本和文本转语音吗？
- 音频工作有两个方向，但特定技能通常只专注于一个方向：要么把语音转成文本，要么把文本转成语音。查看技能的文档以了解它覆盖哪一侧。
- 这个排名列表是如何排序的？
- 该列表按观察到的搜索需求排名，与这个主题直接匹配的排在最前。一个上限限制任何单一发布者能出现的技能数量。
- 配音和翻译适合放在这些技能中的哪里？
- 配音和翻译属于文本转语音一侧，即把一条音轨重新配音成另一种语言。它们建立在语音生成之前的转录和翻译步骤之上。
如何安装 Agent Skill
从本页第一条开始。Claude Code 会读取放进 skills 目录的 SKILL.md：
- Claude Code——把 transcribe 的 SKILL.md 复制到 ~/.claude/skills/transcribe/（个人使用），或 .claude/skills/transcribe/（随项目共享）。
- 从 registry 安装——运行 npx skills add openai/skills@transcribe。
- 或者从 transcribe 的来源下载 SKILL.md，放进上面的目录。
如何挑选 安装前先看出处和技能自身的说明。Official 与 Notable 标签描述的是技能来源。
给 Agent 要按工作找 skill，安装 find-skills-for-the-job。它带有本站的主题目录。 npx skills add geekfoxcharlie/find-skills-for-the-job