ambition0802/audio-transcription-skill

audio-transcription-skill とは？

このスキルは、AIエージェント（特にCodex）が音声または動画ファイルから高精度な文字起こしを実行できるようにするためのものです。内部ではMLX Whisper（macOSのApple Silicon向け最適化モデル）とBilibiliの文字起こしAPIをフォールバックとして利用し、内蔵スピーカーやマイク、オーディオインターフェースなど様々な入力ソースに対応します。文字起こし後のテキストは、多言語翻訳、話者ダイアライゼーション（発話者分離）、およびSRT/VTT字幕ファイル、TXT形式での出力パッケージングが可能です。FFmpegとMLXに依存しており、オフラインでの動作が可能で、特に日本語を含む多言語環境での文字起こし精度と処理速度のバランスに優れています。また、エージェント用のWorkflow機能も備えており、既存の文字起こし結果の処理や全自動パイプラインの構築にも利用できます。