zxkane/audio-transcriber

audio-transcriber とは？

このエージェントスキルは、会議やポッドキャストなどの複数話者がいる音声データを高精度で文字起こしし、話者分離とテキスト整形まで自動的に行います。内部ではFunASR（Paraformer、SenseVoice、Whisperモデルに対応）を含む複数のASRエンジンと、MiMo-V2.5-ASRによる高度な認識、CAM++モデルによる話者ダイアライゼーションを組み合わせています。さらに、LLM（大規模言語モデル）による後処理で、文字起こし結果のノイズ除去や簡潔な整形が行われます。99言語に対応し、GPU環境はもちろんCPU環境でも動作するため、幅広いハードウェアで利用可能です。Claude CodeやSKILL.md形式に対応した任意のエージェントと統合でき、開発者や運用チームが会議の議事録作成や音声コンテンツの分析を効率化するのに役立ちます。