メニュー
OpenAI Whisper — general-purpose speech recognition. Multilingual transcription, translation to English, and speaker-agnostic ASR. Models from tiny to large. Robust to noise, accents, and technical vocabulary.
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/mkurman/zorai --skill whisperコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SOC 職業分類に基づく
SKILL.md を表示中
| name | whisper |
| description | OpenAI Whisper — general-purpose speech recognition. Multilingual transcription, translation to English, and speaker-agnostic ASR. Models from tiny to large. Robust to noise, accents, and technical vocabulary. |
| tags | ["speech-to-text","multilingual-asr","audio-transcription","translation-asr","whisper"] |
OpenAI Whisper is a general-purpose speech recognition model supporting multilingual transcription, translation to English, and speaker-agnostic ASR. Models range from tiny (39M params) to large (1.55B params). Robust to noise, accents, and technical vocabulary.
uv pip install openai-whisper
ffmpeg # required for audio loading
import whisper
model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
print(result["text"])
# Transcribe in original language
result = model.transcribe("french_audio.mp3", language="fr")
# Translate to English
result = model.transcribe("german_audio.mp3", task="translate")
print(result["text"]) # English output
result = model.transcribe("lecture.mp3", word_timestamps=True)
for segment in result["segments"]:
for word in segment["words"]:
print(f"{word['word']}: {word['start']:.2f}-{word['end']:.2f}")
# tiny (fast, less accurate) → base → small → medium → large (slow, most accurate)
sizes = ["tiny", "base", "small", "medium", "large"]
for s in sizes:
m = whisper.load_model(s)
# ~1GB VRAM for base, ~10GB for large
result = m.transcribe("podcast.mp3")