AI Skill MartKhám phá skillLệnhChương trìnhHọcSkill là gì?
 
← Về danh sách

ASR: Chuyển audio/video thành văn bản có nhãn người nói

Chuyển âm thanh hoặc video thành văn bản kèm nhãn người nói và dấu thời gian, chạy cục bộ bằng MLX trên Apple Silicon hoặc qua API từ xa.

Ảnh · VideoNâng cao★ 1,447⑂ 224Điểm AI 9/10Cập nhật lần cuối: 8 thg 10, 2026

Làm được gì

  • Nhận file audio/video, URL media hoặc trang podcast và xuất ra TXT [bắt đầu-kết thúc] SPEAKER_00: nội dung cùng file CSV.
  • Bản ghi dài (>30 phút): dùng whisper.cpp + Silero VAD chia block có checkpoint, sau đó ghép nhãn người nói từ pyannote; bị ngắt thì chạy lại chỉ tiếp phần còn thiếu.
  • Bản ghi ngắn/trung: tuyến Qwen3-ASR (MLX) + mốc thời gian theo từ của mlx-whisper; hoặc lấy văn bản từ endpoint vLLM từ xa rồi gán người nói ở máy cục bộ.
  • Tiền xử lý trước ASR: ghép các đoạn do máy ghi cắt nhỏ, chuẩn hoá 16 kHz mono, tăng tốc giữ nguyên cao độ để giảm phút bị tính phí, chọn định dạng (wav/m4a/ogg/flac) và tự kiểm tra kết quả.
  • Có quy tắc kiểm tra xem bản ghi văn bản chuẩn đã tồn tại chưa, và tuyến tải lên Feishu Minutes cho họp nội bộ.

Phù hợp với ai

  • Người cần biên bản họp, phỏng vấn, ghi âm hiện trường phân theo người nói.
  • Người dùng macOS Apple Silicon cần xử lý offline vì lý do bảo mật/riêng tư.
  • Kỹ sư tự dựng server vLLM/ASR và muốn xử lý hàng loạt bản ghi dài một cách ổn định.

Ví dụ sử dụng

  1. Đưa file WAV cuộc họp 2 tiếng để nhận TXT/CSV có nhãn SPEAKER và mốc thời gian.
  2. Ghép nhiều đoạn 30 phút từ mic DJI thành một file, nén thành M4A tăng tốc 1.3x rồi tải lên dịch vụ ASR tính phí theo phút.
  3. Dán link một tập podcast để tải media về và chỉ lấy văn bản thuần phục vụ tóm tắt.

· · · Hướng dẫn cài đặt · · ·

Dùng thử ngay, không cần cài

Dán đoạn dưới vào Claude là dùng được skill này mà không cần cài đặt.

Hãy đọc hướng dẫn trong tệp này và làm theo để giúp mình:
https://raw.githubusercontent.com/daymade/claude-code-skills/HEAD/daymade-audio/asr-transcribe-to-text/SKILL.md

Mình muốn: (viết việc bạn cần ở đây)

Nếu Claude không mở được liên kết, hãy mở liên kết và copy nội dung vào rồi dán.

↓ Thấy hữu ích thì tải ZIP bên dưới và cài. Sau đó skill tự chạy, không phải dán lại mỗi lần.

Cài vào ứng dụng Claude (không cần terminal)
  1. Tải tệp ZIP bằng nút bên dưới.
  2. Trong Claude, mở Settings → Capabilities và bật 'Code execution and file creation'. (chỉ một lần)
  3. Vào Customize → Skills → + → 'Upload a skill' rồi tải tệp ZIP lên.
↓ Tải ZIP
Cài vào Claude Code

Để Claude làm — dán câu dưới đây vào Claude Code

Hãy cài skill mình tìm thấy trên AI Skill Mart.
Copy thư mục daymade-audio/asr-transcribe-to-text từ repo GitHub daymade/claude-code-skills vào ~/.claude/skills/asr-transcribe-to-text/ của mình.
Sau khi cài xong, cho mình biết skill này làm được gì trong một câu.

Cài bằng lệnh thủ công

git clone https://github.com/daymade/claude-code-skills.git && mkdir -p ~/.claude/skills && cp -r claude-code-skills/daymade-audio/asr-transcribe-to-text ~/.claude/skills/

⚠ Đây là skill do người khác tạo. Hãy kiểm tra repo gốc trước khi cài.

  1. Mở Terminal và chuyển tới thư mục làm việc bạn muốn.
  2. Tải mã nguồn: git clone https://github.com/daymade/claude-code-skills.git
  3. Sao chép skill: mkdir -p ~/.claude/skills && cp -r claude-code-skills/daymade-audio/asr-transcribe-to-text ~/.claude/skills/
  4. Cài công cụ cần thiết: brew install ffmpeg uv (cần ffmpeg, ffprobe và uv).
  5. Muốn tách người nói: đồng ý điều khoản tại https://hf.co/pyannote/speaker-diarization-3.1 rồi chạy huggingface-cli login (hoặc đặt biến HF_TOKEN) một lần duy nhất.
  6. Nếu dùng tuyến bản ghi dài (Path L), hãy tải trước binary whisper.cpp, model ggml và model Silero VAD, ghi lại đường dẫn tuyệt đối.
  7. Khởi động lại Claude Code và yêu cầu kiểu "chuyển file ghi âm này thành văn bản có nhãn người nói" kèm đường dẫn file. Lần chạy đầu bạn chọn chế độ cục bộ hay từ xa, cấu hình sẽ được lưu lại.
Xem mã nguồn trên GitHub ↗Giấy phép: MIT