111 件 ・ 関連度順
概要と使いどころ
Check for Faster-Whisper (preferred - 4-5x faster) workflow skill. Use this skill when the user needs Transform audio recordings into professional Markdown documentation with intelligent summaries using LLM integration and the operator should preserve the upstream workflow, copied support files, and provenance before merging or handing off.
日本語の概要は準備中です。原文の説明を表示しています。
Check for Faster-Whisper (preferred - 4-5x faster) workflow skill. Use this skill when the user needs Transform audio recordings into professional Markdown documentation with intelligent summaries using LLM integration and the operator should preserve the upstream workflow, copied support files, and provenance before merging or handing off.
日本語の概要は準備中です。原文の説明を表示しています。
音声ファイルをテキストに文字起こしするスキル。mp3/wav/m4a/ogg/flac形式に対応。whisperベースのtranscriber_toolを使用し、tiny/base/small/medium/largeの5つのモデルから精度と速度のバランスを選択可能。長時間音声はバックグラウンド実行に対応。「文字起こしして」「音声をテキストに変換して」で使用。
Check if voice message handling is configured — verify Whisper, ElevenLabs/OpenAI TTS keys, and required tools.
日本語の概要は準備中です。原文の説明を表示しています。
Check voice message pipeline config — verify Whisper, ElevenLabs/OpenAI TTS keys and dependencies.
日本語の概要は準備中です。原文の説明を表示しています。
WAV/動画音声を単一パスGPU転写（mlx-whisper）した後、fulltextを意味区切りでN分割しLLM改行だけを並列化してSRT字幕を高速生成する /srt の高速版。日本語トーク動画用。「/srt-fast」で実行。
Build audio transcription pipelines with Whisper, Deepgram, and AssemblyAI including speaker diarization and real-time streaming. Activate on: transcription, speech-to-text, diarization, audio processing, meeting transcripts. NOT for: text-to-speech synthesis (voice-audio-engineer), music generation (ai-engineer).
日本語の概要は準備中です。原文の説明を表示しています。
Modelo de reconhecimento de fala de propósito geral da OpenAI. Suporta 99 idiomas, transcrição, tradução para inglês e identificação de idioma. Seis tamanhos de modelo, de tiny (39M parâmetros) a large (1550M parâmetros). Use para speech-to-text, transcrição de podcasts ou processamento de áudio multilíngue. Melhor para ASR robusto e multilíngue.
日本語の概要は準備中です。原文の説明を表示しています。
Transcribe audio via OpenAI Audio Transcriptions API (Whisper).
日本語の概要は準備中です。原文の説明を表示しています。
Local speech-to-text with the Whisper CLI (no API key).
日本語の概要は準備中です。原文の説明を表示しています。
動画/音声ファイルをタイムスタンプ付きで文字起こしし、要約まで行うスキル。「動画を文字起こしして」「この音声を要約して」「会議の録画をまとめて」「mp4を文字起こしして要約して」「インタビュー音声から議事録作って」などのリクエストで使用する。OpenAI Whisper（ローカル）でタイムスタンプ付き全文mdを生成し、Claude自身がその全文を読んで要約mdを別ファイルで書き出す。出力先はプロジェクトルート直下（`TRANSCRIPT_OUTPUT_PATH` で変更可）。
Transcribe WhatsApp voice messages using local Whisper CLI. Use when: owner or contact sends an audio/ogg voice message. Combines Whisper transcription + CRM update + task creation. Works offline for short clips, uses OpenAI API for long clips. Hebrew and English supported.
日本語の概要は準備中です。原文の説明を表示しています。
OpenAI's general-purpose speech recognition model. Supports 99 languages, transcription, translation to English, and language identification. Six model sizes from tiny (39M params) to large (1550M params). Use for speech-to-text, podcast transcription, or multilingual audio processing. Best for robust, multilingual ASR.
日本語の概要は準備中です。原文の説明を表示しています。
Build with OpenAI's stateless APIs - Chat Completions (GPT-5, GPT-4o), Embeddings, Images (DALL-E 3), Audio (Whisper + TTS), and Moderation. Includes Node.js SDK and fetch-based approaches for Cloudflare Workers. Use when: implementing chat completions with GPT-5/GPT-4o, streaming responses with SSE, using function calling/tools, creating structured outputs with JSON schemas, generating embeddings for RAG (text-embedding-3-small/large), generating images with DALL-E 3, editing images with GPT-Image-1, transcribing audio with Whisper, synthesizing speech with TTS (11 voices), moderating content (11 safety categories), or troubleshooting rate limits (429), invalid API keys (401), function calling failures, streaming parse errors, embeddings dimension mismatches, or token limit exceeded.
日本語の概要は準備中です。原文の説明を表示しています。
Voice-driven invocation of Maxim — voice command, hands-free request, /mxm-voice, spoken "Maxim, ..." or "Hey Maxim". Wraps voicemode for Whisper STT and Kokoro TTS.
日本語の概要は準備中です。原文の説明を表示しています。
OpenAI's general-purpose speech recognition model. Supports 99 languages, transcription, translation to English, and language identification. Six model sizes from tiny (39M params) to large (1550M params). Use for speech-to-text, podcast transcription, or multilingual audio processing. Best for robust, multilingual ASR.
日本語の概要は準備中です。原文の説明を表示しています。
Build audio transcription pipelines with Whisper, Deepgram, and AssemblyAI including speaker diarization and real-time streaming. Activate on: transcription, speech-to-text, diarization, audio processing, meeting transcripts. NOT for: text-to-speech synthesis (voice-audio-engineer), music generation (ai-engineer).
日本語の概要は準備中です。原文の説明を表示しています。
ElevenLabsで文章を音声に変え、手元で再生したり音声ファイルに保存したりするスキル。声の選択に加え、発音や間、ささやきなどの話し方も調整します。
Transcribe and translate speech in 99 languages.
日本語の概要は準備中です。原文の説明を表示しています。
Audio and media assets for HyperFrames compositions, produced by one shared audio engine (`scripts/audio.mjs`) — multi-provider TTS (HeyGen / ElevenLabs / Kokoro local), background music + sound effects (HeyGen audio-library retrieval by default, with local Lyria / MusicGen BGM generation and a bundled SFX library as the no-credential fallback), Whisper transcription, background removal, and caption authoring. Use for voiceover / TTS, BGM, SFX / sound effects, transcription, captions / subtitles / lyrics / karaoke / per-word styling, voice + provider selection, and music-mood prompting.
日本語の概要は準備中です。原文の説明を表示しています。
Transcribe audio to text using Azure AI Speech (Fast Transcription REST API). Use when converting audio/video to text, generating subtitles, or processing spoken content in OpenMontage. Optional cloud STT provider — preferred when AZURE_SPEECH_KEY is configured; the local faster-whisper `transcriber` is the default offline path.
日本語の概要は準備中です。原文の説明を表示しています。
Understand video content locally using ffmpeg frame extraction and Whisper transcription. No API keys needed. Use when: (1) Understanding what a video contains, (2) Transcribing video audio locally, (3) Extracting key frames for visual analysis, (4) Getting video content without API keys.
日本語の概要は準備中です。原文の説明を表示しています。
Transform audio recordings into professional Markdown documentation with intelligent summaries using LLM integration
日本語の概要は準備中です。原文の説明を表示しています。
Speech-to-text via 9Router /v1/audio/transcriptions using OpenAI Whisper / Groq / Gemini / Deepgram / AssemblyAI / NVIDIA / HuggingFace models. Use when the user wants to transcribe audio, convert speech to text, or get subtitles from audio files.
日本語の概要は準備中です。原文の説明を表示しています。