Przejdź do treści
Biblioteka skilli
AI i agenci · Konwersja i formaty

openai-whisper

/openai-whisper

Transkrybuje mowę na tekst przez OpenAI Whisper w dwóch trybach, lokalnym CLI bez klucza API lub chmurowym API, oraz tłumaczy mowę i konwertuje pliki audio na tekst.

Repozytorium
coco ↗
Licencja
MIT
Ostatnia zmiana repozytorium
25.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
2
Przestarzałość

Brak sygnałów. Repozytorium zmienione 25.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Transkrybuje mowę na tekst przez OpenAI Whisper w dwóch trybach, lokalnym CLI bez klucza API lub chmurowym API, oraz tłumaczy mowę i konwertuje pliki audio na tekst.

Oryginalny opis (EN)

Speech-to-text transcription via OpenAI Whisper. Supports two modes — Local CLI (no API key, runs on-device) and Cloud API (fast, scalable, requires OPENAI_API_KEY). Use when the user needs to transcribe audio files, translate speech, or convert audio to text.

Jak działa

  1. Mode 1: Local CLI
  2. Mode 2: Cloud API
  3. Choosing Between Modes
Sekcje z nagłówków SKILL.md, w oryginale · 133 linii, 499 słów
Podgląd SKILL.md
---
name: openai-whisper
description: Speech-to-text transcription via OpenAI Whisper. Supports two modes — Local CLI (no API key, runs on-device) and Cloud API (fast, scalable, requires OPENAI_API_KEY). Use when the user needs to transcribe audio files, translate speech, or convert audio to text.
homepage: https://openai.com/research/whisper
domain: engineering
---

# OpenAI Whisper — Speech-to-Text

Transcribe audio files using OpenAI's Whisper model. Two modes available depending on your needs:

| Mode | Latency | Cost | Privacy | Setup |
|------|---------|------|---------|-------|
| Local CLI | Slower (on-device GPU/CPU) | Free | Audio never leaves machine | Install `whisper` binary |
| Cloud API | Fast | Per-minute pricing | Audio sent to OpenAI | `OPENAI_API_KEY` required |

---

## Mode 1: Local CLI

Run Whisper locally with no API key required. Models download to `~/.cache/whisper` on first run.

### Quick Start

```bash
whisper /path/audio.mp3 --model medium --output_format txt --output_dir .
```

### Common Commands

```bash
# Transcribe to text file
whisper /path/audio.mp3 --model medium --output_format txt --output_dir .

# Transcribe with translation to English
whisper /path/audio.m4a --task translate --output_format srt

# Transcribe with specific language
whisper /path/audio.wav --model large --language en --output_format json
```

### Model Selection

| Model | Speed | Accuracy | VRAM |
|-------|-------|----------|------|
| `tiny` | Fastest | Lowest | ~1 GB |
| `base` | Fast | Low | ~1 GB |
| `small` | Medium | Good | ~2 GB |
| `medium` | Slow | Better | ~5 GB |
| `large` | Slowest | Best | ~10 GB |
| `turbo` | Fast | Good (default) | ~6 GB |

### Output Formats

- `txt` — Plain text transcript
- `srt` — SubRip subtitle format with timestamps
- `vtt` — WebVTT subtitle format
- `json` — Detailed JSON with word-level timestamps
- `tsv` — Tab-separated values

### Notes

- `--model` defaults to `turbo` on most installs
- Use smaller models for speed, larger for accuracy
- GPU acceleration used automatically when available

---

## Mode 2: Cloud API

Transcribe via OpenAI's `/v1/audio/transcriptions` endpoint. Faster for large batches, no local GPU needed.

### Quick Start

```bash
{baseDir}/scripts/transcribe.sh /path/to/audio.m4a
```

Defaults:
- Model: `whisper-1`
- Output: `<input>.txt`

### Common Commands

```bash
# Basic transcription
{baseDir}/scripts/transcribe.sh /path/to/audio.m4a

# Specify model and output
{baseDir}/scripts/transcribe.sh /path/to/audio.ogg --model whisper-1 --out /tmp/transcript.txt

# With language hint
{baseDir}/scripts/transcribe.sh /path/to/audio.m4a --language en

# With speaker name hints (improves accuracy)
{baseDir}/scripts/transcribe.sh /path/to/audio.m4a --prompt "Speaker names: Peter, Daniel"

# JSON output with timestamps
{baseDir}/scripts/transcribe.sh /path/to/audio.m4a --json --out /tmp/transcript.json
```

### Raw curl Example

```bash
curl https://api.openai.com/v1/audio/transcriptions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F file="@/path/to/audio.m4a" \
  -F model="whisper-1" \
  -F response_format="text"
```

### API Key Setup

Set `OPENAI_API_KEY` environment variable, or configure in `~/.clawdbot/clawdbot.json`:

```json5
{
  skills: {
    "openai-whisper-api": {
      apiKey: "OPENAI_KEY_HERE"
    }
  }
}
```

---

## Choosing Between Modes

| Consideration | Local CLI | Cloud API |
|---------------|-----------|-----------|
| Privacy-sensitive audio | Best | Audio sent to OpenAI |
| Large batch processing | Slow without GPU | Fast and parallel |
| Offline usage | Works offline | Requires internet |
| Cost | Free (hardware cost) | Per-minute pricing |
| Setup complexity | Install binary + models | API key only |
| Audio format support | Most formats | Most formats |

Wersje

W bazie nie ma innych skilli o nazwie openai-whisper.

Migawka bazy z 28.10.2026 · wersja paczki 74c7446b0c7f (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100whisper
    Transkrybuje nagrania audio na tekst modelem OpenAI Whisper lokalnie lub przez API: napisy SRT i VTT, podcasty, spotkania, notatki głosowe i rozpoznawanie mówców.
  • 90whisper-transcription
    Prowadzi przepływy zamiany mowy na tekst z Whisper lokalnie lub przez API OpenAI: transkrypcja audio, wybór środowiska i wyjście jako tekst, SRT lub JSON.
  • 95whisper-transcription
    Transkrybuje audio i wideo na tekst ze znacznikami czasu dla każdego słowa przy użyciu OpenAI Whisper.
  • 84whisper
    Zamienia mowę na tekst w 99 językach, tłumaczy na angielski i wykrywa język, w sześciu rozmiarach modelu od tiny do large.
  • 100fal-audio
    Zamienia tekst na mowę i mowę na tekst za pomocą modeli audio fal.ai, w tym generowanie głosu i transkrypcję nagrań.
  • 100audio-transcribe
    Zamienia mowę z plików audio (mp3, m4a, wav, ogg, flac, webm) na tekst za pomocą lokalnego narzędzia whisper, bez klucza API.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.