К основному содержанию
скилл CX Codex

asr — скилл для Claude Code: что делает и как установить

Переводит аудиозаписи в текст локально без сторонних API и ключей через утилиту coli. Пригодится для быстрой расшифровки встреч и голосовых заметок прямо в терминале.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add marswaveai/skills --skill asr -a claude-code
Открыть на GitHub

Что делает asr

Скилл выполняет локальное распознавание речи через CLI-утилиту coli asr. Модели работают офлайн, поэтому передавать аудиофайлы во внешние облачные сервисы не требуется. По умолчанию используется модель sensevoice, которая распознаёт китайский, английский, японский, корейский языки и кантонский диалект, а также определяет тон и аудиособытия. Для работы исключительно с английской речью можно переключиться на модель whisper-tiny.en.

Процесс устроен пошагово: скилл запрашивает путь к аудиофайлу, уточняет параметры, выполняет распознавание и при включённой опции polish очищает текст от слов-паразитов и правит пунктуацию. Готовая расшифровка выводится в чат с метаданными (длительность, язык, эмоция), а затем агент предлагает сохранить её в текущую директорию как Markdown-файл.

Без глобально установленного пакета @marswave/coli скилл откажется работать сразу на этапе проверки окружения. Для работы с большинством аудиоформатов потребуется системный ffmpeg, хотя базовые WAV-файлы утилита принимает без него. При первом запуске скрипт автоматически скачает файлы модели весом около 60MB в директорию ~/.coli/models/.

Какие задачи решает

  • расшифровать аудиозапись встречи без отправки данных в облако
  • убрать слова-паразиты и расставить пунктуацию в расшифровке
  • сохранить распознанный текст со структурированными метаданными в Markdown

Примеры запросов агенту

  • Переведи в текст файл meeting.m4a
  • Сделай транскрипцию interview.wav без AI-редактирования
  • Распознай эту аудиозапись и сохрани отчёт в Markdown

Как установить asr

1Через Skills CLI (Vercel)

npx skills add marswaveai/skills --skill asr -a claude-code

2Вручную: положить файлы

~/.claude/skills/asr/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/asr/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о asr

Как установить asr в Claude Code?

Выполните в терминале команду npx skills add marswaveai/skills --skill asr -a claude-code. Также обязательно установите CLI-утилиту командой npm install -g @marswave/coli.

Нужен ли API-ключ для работы asr?

Ключ API не требуется. Распознавание речи выполняется полностью локально на вашей машине через утилиту coli asr.

Обязательно ли устанавливать ffmpeg?

Без ffmpeg распознаются только файлы формата WAV. Чтобы обрабатывать файлы M4A или MP3, установите ffmpeg через пакетный менеджер вашей операционной системы.

Исходный текст

SKILL.md · MIT
---
name: asr
metadata:
  openclaw:
    emoji: "🎙️"
    requires:
      tools: ["coli"]
description: |
  Transcribe audio files to text using local speech recognition. Triggers on:
  "转录", "transcribe", "语音转文字", "ASR", "识别音频", "把这段音频转成文字".
---

## When to Use

- User wants to transcribe an audio file to text
- User provides an audio file path and asks for transcription
- User says "转录", "识别", "transcribe", "语音转文字"

## When NOT to Use

- User wants to synthesize speech from text (use `/tts`)
- User wants to create a podcast or explainer (use `/podcast` or `/explainer`)

## Purpose

Transcribe audio files to text using `coli asr`, which runs fully offline via local
speech recognition models. No API key required. Supports Chinese, English, Japanese,
Korean, and Cantonese (sensevoice model) or English-only (whisper model).

Run `coli asr --help` for current CLI options and supported flags.

## Hard Constraints

- No shell scripts. Use direct commands only.
- Always read config following `shared/config-pattern.md` before any interaction
- Follow `shared/cli-patterns.md` for interaction patterns
- Never ask more than one question at a time

<HARD-GATE>
Use the AskUserQuestion tool for every multiple-choice step — do NOT print options as
plain text. Ask one question at a time. Wait for the user's answer before proceeding.
After all parameters are collected, summarize and ask the user to confirm before
running any transcription.

</HARD-GATE>

## Interaction Flow

### Step 0: Prerequisites Check

Before config setup, silently check the environment:

```bash
COLI_OK=$(which coli 2>/dev/null && echo yes || echo no)
FFMPEG_OK=$(which ffmpeg 2>/dev/null && echo yes || echo no)
MODELS_DIR="$HOME/.coli/models"
MODELS_OK=$([ -d "$MODELS_DIR" ] && ls "$MODELS_DIR" | grep -q sherpa && echo yes || echo no)
```

| Issue | Action |
|-------|--------|
| `coli` not found | Block. Tell user to run `npm install -g @marswave/coli` first |
| `ffmpeg` not found | Warn (WAV files still work). Suggest `brew install ffmpeg` / `sudo apt install ffmpeg` |
| Models not downloaded | Inform user: first transcription will auto-download models (~60MB) to `~/.coli/models/` |

If `coli` is missing, stop here and do not proceed.

### Step 0: Config Setup

Follow `shared/config-pattern.md` Step 0 (Zero-Question Boot).

**If file doesn't exist** — silently create with defaults and proceed:
```bash
mkdir -p ".listenhub/asr"
echo '{"model":"sensevoice","polish":true}' > ".listenhub/asr/config.json"
CONFIG_PATH=".listenhub/asr/config.json"
CONFIG=$(cat "$CONFIG_PATH")
```
**Do NOT ask any setup questions.** Proceed directly to the Interaction Flow with sensible defaults (sensevoice model, polish enabled).

**If file exists** — read config silently and proceed:
```bash
CONFIG_PATH=".listenhub/asr/config.json"
[ ! -f "$CONFIG_PATH" ] && CONFIG_PATH="$HOME/.listenhub/asr/config.json"
CONFIG=$(cat "$CONFIG_PATH")
```

### Setup Flow (user-initiated reconfigure only)

Only run when the user explicitly asks to reconfigure. Display current settings:
```
当前配置 (asr):
  模型:sensevoice / whisper-tiny.en
  润色:开启 / 关闭
```

Ask in order:

1. **model**: "默认使用哪个语音识别模型?"
   - "sensevoice(推荐)" — 支持中英日韩粤,可检测语言、情绪、音频事件
   - "whisper-tiny.en" — 仅英文

3. **polish**: "转录后由 AI 润色文本?(修正标点、去语气词、提升可读性)"
   - "是(推荐)" → `polish: true`
   - "否,保留原始转录" → `polish: false`

Save all answers at once after collecting them.

### Step 1: Get Audio File

If the user hasn't provided a file path, ask:

> "请提供要转录的音频文件路径。"

Verify the file exists before proceeding.

### Step 2: Confirm

```
准备转录:

  文件:{filename}
  模型:{model}
  润色:{是 / 否}

继续?
```

### Step 3: Transcribe

Run `coli asr` with JSON output (to get metadata):

```bash
coli asr -j --model {model} "{file}"
```

On first run, `coli` will automatically download the required model. This may take a
moment — inform the user if models haven't been downloaded yet.

Parse the JSON result to extract `text`, `lang`, `emotion`, `event`, `duration`.

### Step 4: Polish (if enabled)

If `polish` is `true`, take the raw `text` from the transcription result and rewrite
it to fix punctuation, remove filler words, and improve readability. Preserve the
original meaning and speaker intent. Do not summarize or paraphrase.

### Step 5: Present Result

Display the transcript directly in the conversation:

```
转录完成

{transcript text}

─────────────────
语言:{lang} · 情绪:{emotion} · 时长:{duration}s
```

If polished, show the polished version with a note that it was AI-refined. Offer to
show the raw original on request.

### Step 6: Export as Markdown (optional)

After presenting the result, ask:

```
Question: "保存为 Markdown 文件到当前目录?"
Options:
  - "是" — save to current directory
  - "否" — done
```

If yes, write `{audio-filename}-transcript.md` to the **current working directory**
(where the user is running Claude Code). The file should contain the transcript text
(polished version if polish was enabled), with a front-matter header:

```markdown
---
source: {original audio filename}
date: {YYYY-MM-DD}
model: {model used}
duration: {duration}s
lang: {detected language}
---

{transcript text}
```

## Composability

- **Invoked by**: future skills that need to transcribe recorded audio
- **Invokes**: nothing

## Examples

> "帮我转录这个文件 meeting.m4a"

1. Check prerequisites
2. Read config
3. Confirm: meeting.m4a, sensevoice, polish on
4. Run `coli asr -j --model sensevoice "meeting.m4a"`
5. Polish the raw text
6. Display inline

> "transcribe interview.wav, no polish"

1. Check prerequisites
2. Read config
3. Override polish to false for this session
4. Run `coli asr -j --model sensevoice "interview.wav"`
5. Display raw transcript inline

© marswaveai · MIT · marswaveai/skills

Похожие скиллы

Всё по теме «ИИ и ML» →
asr-transcribe-to-text daymade Переводит аудио и видео в текст с таймкодами и метками спикеров: локально через MLX на Apple Silicon или через удалённый API. CX Codex +1 1 000установок openai-whisper openclaw Скилл учит агента вызывать Whisper CLI и расшифровывать аудио на вашей машине. Ключ API не нужен. CX Codex +1 7 100установок faster-whisper ThePlasmak Локальная расшифровка аудио и видео на базе CTranslate2 без расходов на API. Распознаёт речь, определяет спикеров и создаёт субтитры. CX Codex +1 1 800установок azure-speech-to-text calesthio Транскрибирует аудио в текст через REST API Azure AI Speech с таймкодами слов и разделением по спикерам. Помогает собирать субтитры в пайплайнах OpenMontage без долгой локальной обработки. CX Codex +1 775установок openai-whisper-api openclaw Скилл гоняет аудио через OpenAI Audio Transcriptions API и отдаёт текст или JSON. Пригодится, когда нужно расшифровать созвон или голосовую заметку прямо из агента. CX Codex +1 5 400установок Video Processor disler Скилл для обработки видео прямо из агента: вытащить аудио, сменить формат на mp4 или webm, расшифровать речь через Whisper. Пригодится, когда в проекте появляются видеофайлы. CX Codex +1 ★ 1 554звёзд репо

Из того же набора8

listenhub Определяет задачу пользователя и направляет её в нужный специализированный скилл ListenHub. Пригодится при генерации озвучки, музыки, видео или презентаций. CX Codex +1 1 500установок tts Превращает текст в аудио: одна реплика или диалог на несколько голосов. Пригодится, когда нужно быстро получить озвучку прямо из чата с агентом. CX Codex +1 1 400установок podcast Генерирует аудиоподкасты с диалогом двух ИИ-ведущих и расшифровкой по теме, статье или заметкам. Пригодится для быстрого перевода материалов в аудио. CX Codex +1 1 200установок image-gen Скилл генерирует изображения по текстовому описанию через CLI ListenHub: выбираете модель, разрешение, пропорции и получаете файл. CX Codex +1 1 200установок explainer Скилл делает объясняющие и обучающие видео: один голос за кадром плюс сгенерированные визуалы. Пригодится для презентации продукта или разбора концепции. CX Codex +1 1 100установок listenhub-cli Разбирает запрос по смыслу и передаёт его нужному скиллу ListenHub: подкаст, озвучка, видео, музыка, картинки. CX Codex +1 592установок video-gen Скилл превращает текстовое описание или картинку в готовый ролик через CLI ListenHub. Пригодится, когда нужен клип, анимация кадра или липсинк под аудио. CX Codex +1 325установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой