multimodal-whisper
OpenAI 的通用语音识别模型。支持 99 种语言、转写、翻译为英语以及语言识别。提供六种模型规模，从 tiny（39M 参数）到 large（1550M 参数）。适用于语音转文本、播客转写或多语言音频处理。最适合稳健的多语言 ASR。
机器翻译查看英文原文
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.
适用对象：学习与科研。自动收录 · 待核查。
原作者说明节选
从固定版本的 SKILL.md 提取，保留原文语言。以下内容属于作者说明，本站尚未验证安装、兼容或运行结果。
查看原文
原文涵盖的主题
- Whisper - Robust Speech Recognition
- When to use Whisper
- Quick start
- Installation
- Basic transcription
- Model sizes
- Transcription options
- Language specification
OpenAI's multilingual speech recognition model. Use when: Speech-to-text transcription (99 languages) Podcast/video transcription Meeting notes automation Translation to English Noisy audio transcription Multilingual audio processing Metrics: 72,900+ GitHub stars 99 languages supported Trained on 680,000 hours of audio MIT License Use alternatives instead: AssemblyAI: Managed API, speaker diarization Deepgram: Real-time streaming ASR Google Speech-to-Text: Cloud-based | Model | Parameters | English-only | Multilingual | Speed | VRAM | |-------|------------|--------------|--------------|-------|------| | tiny | 39M | ✓ | ✓ | 32x | 1 GB | | base | 74M | ✓ | ✓ | 16x | 1 GB | | small | 244M | ✓ | ✓ | 6x | 2 GB | | medium | 769M | ✓ | ✓ | 2x | 5 GB | | large | 1550M | ✗ | ✓ | 1x | 10 GB | | turbo | 809M | ✗ | ✓ | 8x | 6 GB | Recommendation: Use turbo for best speed/quality, base for prototyping 1. Use turbo model - Best speed/quality for English 2. Specify language - Faster than auto-detect 3. Add initial prompt - Improves technical terms 4. Use GPU - 10-20× faster 5. Batch process - More efficient 6. Convert to WAV - Better compatibility 7. Split long audio - 30 min audio 3. Speaker id
这里只展示节选，请以完整原文和当前要求为准。
- 来源仓库
- davila7/claude-code-templates
- 源文件
- cli-tool/components/skills/ai-research/multimodal-whisper/SKILL.md
- 固定版本
- 21be197f100a12b8d0dd9a211cc244c8179f84d3
来源与内容状态
本条为自动发现的元数据，尚未完成人工文档核查；适用性与运行结果待核查。
原作者：davila7/claude-code-templates · 原作者仓库元数据。文档核查：未核查。最近来源检查：2026-11-09T14:01:43.272Z。
分类由名称、说明与路径规则生成，分类不代表已核实适配。
许可与权利归属
MIT。第三方内容及版权归原作者，使用条件以原文为准。
许可原文 ↗本站没有因同步、复制或用户自报成功而将资源标为运行验证通过。
限制与注意事项
- 元数据收录不代表本站已经安装、适配、实测或进行安全审查。