voice-note
Convert voice messages to text (STT) and text to voice (TTS). Supports Whisper local model and Edge-TTS.
ソース情報
- リポジトリ
- fuyuxiang/echo-agent
- ソースの最終更新活動
- 2026年8月2日 03:20
- 検出された SKILL.md の言語
- 英語
- スター
- 1,059
- フォーク
- 27
インストール方法
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
ソースファイルを確認
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
ファイルエクスプローラー
2 ファイルSKILL.md を表示中
SKILL.md
ソースの指示 · 読み取り専用プレビュー- name
- voice-note
- description
- Convert voice messages to text (STT) and text to voice (TTS). Supports Whisper local model and Edge-TTS.
- version
- 1.0.0
- metadata
- {"echo":{"tags":["Voice","STT","TTS","Whisper","Audio","Media"]}}
# Voice Note
Speech-to-Text (STT) and Text-to-Speech (TTS) capabilities.
## Speech → Text
### Option A: OpenAI Whisper API (cloud)
```python
from openai import OpenAI
client = OpenAI()
with open("audio.ogg", "rb") as f:
transcript = client.audio.transcriptions.create(model="whisper-1", file=f)
print(transcript.text)
```
### Option B: faster-whisper (local, no API key)
```bash
pip install faster-whisper
```
```python
from faster_whisper import WhisperModel
model = WhisperModel("base", compute_type="int8") # tiny/base/small/medium/large-v3
segments, info = model.transcribe("audio.ogg", language="zh")
text = " ".join(s.text for s in segments)
print(f"[{info.language}] {text}")
```
## Text → Speech
### Edge-TTS (free, excellent Chinese voices)
```bash
pip install edge-tts
# CLI
edge-tts --voice zh-CN-XiaoxiaoNeural --text "你好世界" --write-media output.mp3
# List voices
edge-tts --list-voices | grep zh-CN
```
```python
import edge_tts, asyncio
async def speak(text, voice="zh-CN-XiaoxiaoNeural", output="output.mp3"):
communicate = edge_tts.Communicate(text, voice)
await communicate.save(output)
asyncio.run(speak("今天天气不错，适合出门"))
```
### Chinese Voice Options
| Voice | Style |
|-------|-------|
| zh-CN-XiaoxiaoNeural | 女声，活泼自然 |
| zh-CN-YunxiNeural | 男声，温和 |
| zh-CN-YunyangNeural | 男声，新闻播报 |
| zh-CN-XiaoyiNeural | 女声，温柔 |
## Script
```bash
python3 scripts/voice_process.py transcribe audio.ogg --model base --language zh --output transcript.txt
python3 scripts/voice_process.py summarize meeting.mp3 --model small
```
Note: TTS (speak/voices) is in the separate `tts-voice` skill.
## Audio Format Notes
- Input formats: ogg, mp3, wav, m4a, webm (Whisper accepts most)
- Output: mp3 (Edge-TTS default)
- Convert: `ffmpeg -i input.ogg output.mp3`
GitHubで見る