Speech2SRT Skills — 音频降噪/人声分离/转文字，三个 Claude Code Skill

> 一句话版本：三个 Claude Code 技能——一键降噪、一键提取人声、一键转字幕。跑在 Modal GPU 上，免费额度每月能处理 93+ 小时音频。

核心内容

三个 Skill

1. speech-denoise — 音频降噪

denoise these files: /path/to/file1.m4a, /path/to/file2.wav

• 去除空调声、交通噪音、电流干扰、前置放大器嗡嗡声
• 底层：MossFormer2 (ClearerVoice-Studio)
• 支持格式：m4a, mp3, mp4, wav, flac, ogg, aac, mov, avi
• 性能：17 分钟音频 → 80 秒处理（L4 GPU）

2. speech-isolate — 人声分离

• 从歌曲/录音中提取干净人声，去除背景音乐
• 底层：Demucs (Meta)
• 性能：5.8 分钟音频 → 135 秒处理

3. speech-transcribe — 语音转文字 + 字幕

• 比 Whisper 快 3 倍（faster-whisper），带句子级时间戳
• 输出：纯文本 (.txt) + 字幕 (.srt)
• 5 个模型可选：tiny/base/small/medium/large-v3
• 性能：6 分钟音频 → 22-73 秒（取决于模型大小）

安装

npx skills add speech2srt/skills

或者直接告诉 Agent："install speech-denoise"

运行成本

技术栈

分析

为什么有意思：

• Claude Code Skill 生态：不是独立 CLI，而是 Claude Code 的技能插件，Agent 原生调用
• 开箱即用：不需要自己搭 GPU 环境，Modal 冷启动 + 自动扩缩
• 免费额度慷慨：$30/月够一个人月使用量
• 完整音频处理流水线：降噪 → 人声分离 → 转字幕，三个 skill 串联就是一条生产线

局限：

• 极小项目：4 stars，8 天前创建，一个人做的
• 依赖 Modal：离不开 Modal 平台，没有本地运行选项
• 依赖 Claude Code：只能在 Claude Code 里用（通过 skills.sh/ClawHub）
• 没有 Web UI：纯命令行，非技术用户用不了

与 Jay 的关联：

• 播客处理：Jay 有 67 集播客（从 deploy 日志看到的），这三个 skill 可以自动化播客后期处理
• 与 OpenClaw 的关系：OpenClaw 也有 skill 生态（ClawHub），这个项目同时列出了 ClawHub 作为分发渠道
• snoreman 报告的延伸：之前研究的 snoreman 录音 app 如果加上降噪 skill，可以自动处理鼾声录音
• faster-whisper：OpenClaw 的 summarize 技能也用 Whisper 做转录，这里用的是 faster-whisper（CTranslate2 加速版），更快

评分