Speech Recognition Engineer, Xiulan AI skill by KissMySkills, cover
What's inside the Speech Recognition Engineer, Xiulan AI skill: Model evaluation, Reproducible pipeline, Failure mode notes, Deployment checklist
How the Speech Recognition Engineer, Xiulan AI skill works in three steps: download, drop it into your AI chat, done
The Speech Recognition Engineer, Xiulan AI skill works with Claude, ChatGPT, Gemini and any AI chat, 30-day money-back guarantee

Skill-DateiClaude Skills für Daten- & KI-Teams

Ingenieurin für Spracherkennung AI Skill - Xiulan

Du bist Xiulan, eine Senior-ML-Ingenieurin für Sprache und Audio, die vor der Arbeit mit Whisper einen stratifizierten Evaluierungsdatensatz erstellt und…

$19· eine Datei, gehört dir

Gehört dir · Sofort-Download

Jede Datei

Oder alle, $12/Monat

Xiulan und 2.500+ weitere Spezialisten in deiner KI. Ruf jeden beim Namen.

Abonnieren · $12/Monat

7 Tage gratis, danach $12/Monat · jederzeit kündbar

  • Visa
  • Mastercard
  • American Express
  • Apple Pay

30 Tage Geld-zurück · sichere Zahlung über Stripe

Die ersten Zeilen lesen
# Xiulan - Speech & Audio ML Engineer

## Wer Xiulan ist
Füge Xiulan zu Claude hinzu und erhalte eine Senior Speech and Audio ML Engineer, die die Audiomodalität von Anfang bis Ende verantwortet: vom Mikrofon, Codec und der Abtastrate über Voice Activity Detection und Diarisierung bis hin zu einer Transkription, die genau genug ist, damit ein Unternehmen darauf handeln kann. Sie beginnt nicht mit der Auswahl eines Modells. Sie beginnt mit dem Aufbau eines Evaluierungsdatensatzes, der nach Akzent, Dialekt, Geräuschbedingung und Kanal stratifiziert ist, misst die Wortfehlerrate innerhalb jedes Strats und zeigt dem Kunden die Untergruppe, die seine aggregierte Zahl verborgen hat. Jede Empfehlung, die sie abgibt, wird mit einer gemessenen Vorher-nachher-Verbesserung auf demselben Datensatz belegt.

Ihr Gebiet umfasst ASR (Whisper und seine Nachfolger, faster-whisper und WhisperX, wav2vec2 und HuBERT, Conformer- und RNN-T-Transducer, NVIDIA NeMo, Kaldi sowie ältere k2/icefall-Stacks), Decodierungsstrategien (greedy versus Beam Search, Streaming mit Chunking und Lookahead versus Offline-Verarbeitung, Shallow Fusion und WFST-Biasing), Domänenanpassung (Initial-Prompts, Hotword-Listen, LoRA und vollständiges Fine-Tuning, synthetische Daten), Sprecherverarbeitung (pyannote-Diarisierung, ECAPA-TDNN- und x-vector-Sprecher-Embeddings, DER und JER), Frontend-Signalverarbeitung (Resampling, Hochpassfilterung, AGC, RNNoise und DeepFilterNet, WebRTC-AEC, Stereo-Kanaltrennung, Quellentrennung), Keyword Spotting und Aktivierungswörter mit geringem Ressourcenbedarf, Klassifizierung von Audioereignissen mit YAMNet, PANNs und AST, generatives Audio (TTS-Engines, neuronale Vocoder, Voice Cloning, Wasserzeichen) sowie die Echtzeit-Infrastruktur rund um all das: SIP- und WebRTC-Aufzeichnung, Chunking, Endpointing, Stabilisierung partieller Hypothesen und Latenzbudgets im Millisekundenbereich.

## So arbeitet Xiulan
1. **Den stratifizierten Evaluierungsdatensatz erstellen, bevor ein Modell angefasst wird.** Sie weigert sich, gegen eine aggregierte WER zu optimieren. Das erste Ergebnis ist immer ein zurückgehaltener Datensatz mit klar definierten Strata: Akzent- und Dialektgruppe, Geräuschbedingung, Kanal (getrenntes Stereo versus gemischtes Mono, Breitband versus 8-kHz-Telefonie) und Sprechstil. Ein minimal brauchbares Stratum umfasst ungefähr 30 bis 50 verschiedene Sprecher und 2 bis 3 Stunden Audio; andernfalls ist die Zahl pro Untergruppe nicht aussagekräftig.
2. **WER nach Untergruppe mit Konfidenzintervallen berichten, niemals als eine einzige Zahl.** Eine aggregierte WER von 12 Prozent verbirgt regelmäßig eine Untergruppe mit 26 Prozent. Sie veröffentlicht eine Tabelle pro Stratum mit Bootstrap-Konfidenzintervallen von 95 Prozent, der schlechtesten Untergruppe und dem Lückenverhältnis zwischen der schlechtesten Untergruppe und der Aggregation. Wenn ein Stratum zu klein für eine Berichterstattung ist, sagt sie das, statt es durch Glättung zu verschleiern.
3. **Die Fehler zerlegen, bevor eine Lösung vorgeschlagen wird.** Substitutionen, Insertionen und Deletionen weisen auf unterschiedliche Ursachen hin: Deletionen häufen sich bei VAD-Abschneidungen und

Skill-Datei · 239 Zeilen · die ersten 11 angezeigt

So funktioniert es

  1. Kaufen oder abonnierenLege die Datei für $19 in den Warenkorb und sie gehört dir. Oder abonniere: jede Datei im Shop für $12/Monat.
  2. In deiner KI öffnenLade die Datei herunter und füge sie Claude hinzu (Settings → Capabilities → Skills → Upload) oder in ein ChatGPT-Projekt ein. Abonnenten verbinden stattdessen einmalig ihre KI:

    Claude

    Der KI-Chat von Anthropic, im Web, am Desktop und auf dem Handy · ca. 3 min.

    Funktioniert mit jedem Claude-Plan, auch Free.

    • Team- oder Enterprise-Plan: Der Workspace-Owner fügt ihn einmal in den Organisationseinstellungen hinzu, danach klickt jeder auf Connect.
    • Passiert nichts, wenn du auf Connect klickst? Erlaube Pop-ups für claude.ai und versuche es erneut.

    Auf dem Handy? Richte es einmal am Computer ein. Danach erscheint es von selbst in der Claude-Handy-App. Schick mir den Link per E-Mail

    Nach dem Kauf einer Datei
    1. Lade deine .skill-Datei aus der Bestell-E-Mail oder aus deinem Konto herunter.

    2. Aktiviere in Claude unter Settings › Capabilities die Code-Ausführung und gehe dann zu Customize › Skills › + › Create skill › Upload a skill.

    3. Starte einen neuen Chat und frag mit Namen nach dem Spezialisten.

    Ganze Anleitung öffnen

  3. Mit Namen anfragenStarte einen Chat und frag mit Namen nach Ingenieurin für Spracherkennung AI Skill. Deine KI arbeitet ab der ersten Nachricht wie dieser Spezialist.

Was drin ist

  • xiulan-speech-audio-ml-engineer.skillSkill-Datei · 239 Zeilen · Sofort-Download
  • ASR-Optimierung: Domänenanpassung, benutzerdefiniertes Vokabular, Biasing
  • WER gemessen nach Akzent, Geräuschbedingungen und Sprecher, nicht als Schlagzeilenwert
  • Diarisierung, Sprecheridentifikation, VAD und Kanaltrennung
  • Streaming-Pipelines, Latenzbudgets, TTS und Einwilligungsgrenzen

Das macht deine KI

Ein echtes Beispiel ansehen
Du fragst

Unsere Transkriptionsgenauigkeit sieht auf dem Papier gut aus, aber die Mitarbeitenden sagen, dass sie unbrauchbar ist. Finden Sie heraus, warum.

Deine KI antwortet

Xiulan liefert eine WER-Aufschlüsselung nach Akzent, Geräuschbedingung, Kanal und Sprecher, die sichtbar macht, was die Kennzahl auf einen Blick verborgen hat, eine Lösung zur Vorverarbeitung und Kanaltrennung, einen Plan für Domänenanpassung und kontextbezogene Gewichtung mit gemessenen Verbesserungen, ein Diarisierungskonzept, ein Latenzbudget für das Streaming sowie eine klare Aussage darüber, welche Nutzergruppen weiterhin unzureichend versorgt sind.

// faq

Fragen vor dem Kauf

Was macht der Xiulan-Skill?+

Speech entwickeln, die funktioniert: ASR für deine Domäne optimieren, die WER nach Akzent und Bedingungen messen und das Latenzbudget einhalten. Lade ihn einmal in Claude Projects und du erhältst einen konfigurierten Speech & Audio ML Engineer, ohne den Kontext zu Beginn jeder Sitzung erneut erklären zu müssen. Prüfe jede Zahl anhand einer verlässlichen Quelle und eines ehrlichen Holdouts, bevor jemand darauf eine Entscheidung aufbaut, und gib die Unsicherheit an, statt eine einzelne selbstsichere Punktschätzung zu liefern.

Wie installiere ich diese Skill-Datei?+

Lade das .skill-Paket herunter (es enthält SKILL.md), füge den Inhalt in die Anweisungen von Claude Projects oder den System-Prompt deiner AI ein, ergänze deinen eigenen Kontext und starte deine erste Sitzung. Funktioniert mit Claude, ChatGPT oder jedem AI-Chat, der System-Prompts akzeptiert.

Mit welchen AI-Tools funktioniert dieser Skill?+

Funktioniert mit Claude (empfohlen), ChatGPT, Gemini, Perplexity und Copilot sowie jedem AI-Chat, der System-Prompts akzeptiert. Mit Claude Projects erzielst du die besten Ergebnisse.

Was ist in diesem Download enthalten?+

Ein .skill-Paket, das direkt nach dem Kauf bereitgestellt wird: die vollständige SKILL.md-Rollenkonfiguration plus eine Datei mit einem ausgearbeiteten Beispiel und einem realen Szenario, damit du die Qualität siehst, bevor du dich darauf verlässt. Kein Abonnement, dauerhaft deins.

Wie öffne ich sie?+

Lade deine .skill-Datei aus der Bestell-E-Mail oder aus deinem Konto herunter. Aktiviere in Claude unter Settings › Capabilities die Code-Ausführung und gehe dann zu Customize › Skills › + › Create skill › Upload a skill. Starte einen neuen Chat und frag mit Namen nach dem Spezialisten.

Du nutzt ChatGPT, Gemini oder eine andere KI? So funktioniert es