標籤：语音

MoneyPrinterTurbo 官方技能：给一个主题或一段文案，agent 自动安装配置并生成带配音、素材、字幕和背景音乐的短视频，默认输出中文竖屏 MP4。需要一个大模型 API Key（Kimi、DeepSeek、OpenAI 等均可）和免费的 Pexels 素材 Key，支持 macOS 与 Windows。

OpenAI 官方开源的通用语音识别模型，自带 whisper 命令，可多语种转写、把外语语音翻译成英文并输出字幕文件；需要 FFmpeg，有 GPU 时更快。

开源的 agent 视频制作系统：克隆仓库后在里面打开 Claude Code 或 Codex 说出需求，agent 按内置流程完成调研、脚本、配音、找素材、字幕与合成，出片前先给分镜和费用确认。需本地装 Python、Node.js 与 FFmpeg，不配 API Key 也能用免费素材出片。

OpenAI Whisper 语音识别模型的 C/C++ 实现，在本地离线转写音频并输出字幕，CPU 即可运行，支持 Apple Silicon 与多种 GPU 加速；需先下载 ggml 格式模型。

清华大学 THU-MAIC 团队开源的多智能体互动课堂 OpenMAIC 的官方技能：给一个主题或一份 PDF，就能生成含课件、测验、互动模拟、项目式学习和 AI 老师讲解的整堂课。可用官网在线版的访问码，或本地部署并配置大模型 API Key。

Browser Use 出品的剪辑技能：把原始素材放进文件夹，和 Claude Code 或 Codex 对话就能出成片，自动删口头禅和停顿、调色、烧字幕、加动画并逐个剪点自检。需本地装 ffmpeg 与 Python（uv），并准备 ElevenLabs API Key 用于转写。

基于 faster-whisper 的快速语音转写，提供词级时间戳与说话人分离，适合会议纪要与字幕制作；说话人分离需 Hugging Face Token，GPU 加速需 CUDA。

基于 Whisper 的离线语音转写与翻译工具，录音不出本机，用 buzz add 命令把讲座、访谈、会议录音导出为 TXT、SRT、VTT，适合老师整理课堂录音、律师整理会见记录。pip 安装需 Python 3.12 和 FFmpeg，另有桌面版；转写结果需人工核对。

在本机持续记录屏幕与音频，提取界面文字并做语音转写，agent 可以检索你看过的网页、文档和开过的会，按时间汇总当天工作与对话，录制数据默认存在本机。需先安装并运行 screenpipe：源码版限个人非商业免费使用，桌面版按月订阅。

FunASR 项目官方 MCP：用 SenseVoice 模型在本地把音频文件转写成文字，支持普通话、粤语、英语、日语、韩语，可附分段时间戳。本地推理无需 API Key，音频不出本机，提供 Docker 镜像。

阿里 ModelScope 开源的工业级语音识别工具包，自带面向 agent 的 funasr 命令：一条命令把音频转成文本、JSON 或 SRT 字幕，支持说话人分离与时间戳，中文识别效果好。需先安装 PyTorch。

非官方 Python 库与 CLI，让 agent 操控 Google NotebookLM（现更名 Gemini Notebook）：批量导入资料、基于来源带引用问答，生成播客、视频、幻灯片、测验与闪卡并批量下载，自带 agent skill。依赖未公开接口，需登录 Google 账号。

视频翻译与配音一站式工具：串起语音识别、字幕翻译、多角色 AI 配音与音画合成，可接 Faster-Whisper、DeepSeek、Edge-TTS 等本地或在线模型；cli.py 支持无界面批处理。需要 FFmpeg。

卡卡字幕助手的命令行版：把课程、讲座、访谈视频转成字幕，再用大模型断句校对、翻译并烧录回视频。必剪识别与必应翻译免费可用，大模型优化需自备 API Key，需 Python 3.10–3.12。

开源零样本语音合成，提供 f5-tts_infer-cli 命令行，给几秒参考录音就能用相同音色朗读中英文，适合给课件、视频配音。需要 Python、PyTorch 和 FFmpeg，最好有 GPU；预训练模型仅限非商业使用，克隆他人声音须经本人同意。

把文章或讲稿改写成口播稿，再做成点击推进的 16:9 网页演示，录屏即可得到讲解视频，可选合成配音，适合教师录课、B 站/YouTube 教程和产品讲解。需要 Node.js 环境；配音需 MiniMax 或 OpenAI 的 API Key，也可换成其他 TTS。

调用微软 Edge 在线语音合成把文本转成语音，并可同时生成字幕文件，无需 API Key，支持中文等多语种音色。非微软官方项目，依赖该在线服务的可用性。

开源本地优先会议记录应用 Anarlog（原 Hyprnote）的官方技能：让 agent 查询会议笔记、摘要、逐字稿、参会人和行动项，默认读取本机数据，不需要会议机器人入会；需先安装 Anarlog 桌面端及其命令行工具，远程读取云端数据要 Pro 订阅。

在 Apple Silicon Mac 上离线运行的语音工具：命令行把文字合成语音（支持中文与声音克隆）、把录音转写成文字，可为课件和讲解视频配音、整理讲座与访谈录音，数据不出本机。需要 M 系列芯片 Mac 与 Python 3.10+，导出 MP3 需装 ffmpeg，首次运行会下载模型。

Higgsfield 官方 Codex 插件：接入其远程 MCP，用文字或照片生成图片和视频，如把产品图做成视频广告、让静图动起来，并内置无人出镜解说、旁白配音、烧录字幕三个流程。需登录 Higgsfield 账号，生成按积分计费。

一条命令为网页、PDF、YouTube 视频、播客和音视频文件提取正文或生成摘要，可输出 JSON；摘要可用多家模型 API、本地模型或已登录的 Codex / Claude CLI，只提取正文不需要 Key。另有浏览器侧边栏扩展。

开源的 NotebookLM 播客功能替代品，把网页、PDF、图片、YouTube 视频或文字转成两人对话式播客音频，适合老师把讲义、作者把文章做成音频节目。默认需要 Gemini 与 OpenAI API Key，也可用本地模型加免费的 Edge 语音。

非官方 CLI 与 MCP，让 agent 操作 NotebookLM（现名 Gemini Notebook）：批量导入资料、带出处问答，生成音频概览、测验、闪卡、思维导图和幻灯片，适合备课与整理文献。依赖未公开接口、可能失效，需登录 Google 账号并装好 uv。

非官方的 NotebookLM（现名 Gemini Notebook）命令行 nlm 与 MCP 服务器：老师和学生可让 AI 批量建笔记本、导入网页和文档，生成音频概述、测验、闪卡、思维导图和幻灯片，用于备课与复习。依赖未公开接口，需登录 Google 账号，可能随官方改版失效。