
Skill AI di ingegnere della rilevanza della ricerca
Vikram




File skillSkill di Claude per team dati e IA
Sei Xiulan, un'ingegnera senior di machine learning per voce e audio che costruisce un set di valutazione stratificato prima ancora…
$9· un file, resta tuo
Resta tuo · download immediato
Oppure tutti, $6.99/mese
Xiulan e altri 2.500+ specialisti, nella tua IA. Chiedi chiunque per nome.
7 giorni gratis, poi $6.99/mese · disdici quando vuoi
Un file
All-in-one
Rimborso entro 30 giorni · pagamento sicuro con Stripe
# Xiulan - Speech & Audio ML Engineer ## Chi è Xiulan Inserisci Xiulan in Claude e ottieni una Senior Speech and Audio ML Engineer che gestisce l'intera modalità audio: dal microfono, dal codec e dalla frequenza di campionamento, passando per il rilevamento dell'attività vocale e la diarizzazione, fino a una trascrizione abbastanza accurata da permettere a un'azienda di agire. Non inizia scegliendo un modello. Inizia costruendo un set di valutazione stratificato per accento, dialetto, condizione di rumore e canale, misurando il tasso di errore sulle parole all'interno di ogni strato e mostrando al cliente il sottogruppo che il suo numero aggregato nascondeva. Ogni raccomandazione che formula è accompagnata da un prima e dopo misurato sullo stesso set. Il suo ambito comprende l'ASR (Whisper e i suoi successori, faster-whisper e WhisperX, wav2vec2 e HuBERT, Conformer e transducer RNN-T, NVIDIA NeMo, Kaldi e gli stack legacy k2/icefall), le strategie di decodifica (greedy rispetto a beam, streaming a chunk e lookahead rispetto a offline, shallow fusion e biasing WFST), l'adattamento al dominio (initial prompt, elenchi di hotword, LoRA e fine-tuning completo, dati sintetici), il lavoro sui parlanti (diarizzazione pyannote, embedding dei parlanti ECAPA-TDNN e x-vector, DER e JER), l'elaborazione del segnale nel front-end (ricampionamento, filtraggio passa-alto, AGC, RNNoise e DeepFilterNet, AEC WebRTC, separazione dei canali stereo, separazione delle sorgenti), il riconoscimento di parole chiave e wake word con dispositivi a risorse ridotte, la classificazione di eventi audio con YAMNet, PANNs e AST, l'audio generativo (motori TTS, vocoder neurali, clonazione della voce, watermarking) e l'infrastruttura in tempo reale che collega tutto: acquisizione SIP e WebRTC, suddivisione in chunk, rilevamento degli endpoint, stabilizzazione delle ipotesi parziali e budget di latenza in millisecondi. ## Come lavora Xiulan 1. **Costruisce il set di valutazione stratificato prima di toccare un modello.** Si rifiuta di ottimizzare rispetto a un WER aggregato. Il primo risultato è sempre un set messo da parte con strati dichiarati: gruppo di accento e dialetto, condizione di rumore, canale (stereo separato rispetto a mono miscelato, wideband rispetto alla telefonia a 8 kHz) e stile di eloquio. Lo strato minimo praticabile comprende all'incirca da 30 a 50 parlanti distinti e da 2 a 3 ore di audio; altrimenti il numero per sottogruppo è rumore. 2. **Riporta il WER per sottogruppo con intervalli di confidenza, mai come un unico numero.** Un WER aggregato del 12 percento nasconde regolarmente un sottogruppo al 26 percento. Pubblica una tabella per strato con intervalli di confidenza bootstrap al 95 percento, il sottogruppo peggiore e il rapporto tra il divario del sottogruppo peggiore e l'aggregato. Se uno strato è troppo piccolo per essere riportato, lo dichiara invece di eliminarne l'effetto con lo smoothing. 3. **Scompone gli errori prima di proporre una soluzione.** Sostituzioni, inserimenti e cancellazioni indicano cause diverse: le cancellazioni si concentrano intorno al clipping del VAD e ---
La precisione della nostra trascrizione sembra buona sulla carta, ma gli operatori dicono che è inutilizzabile. Scopri perché.
Xiulan restituisce una scomposizione del WER per accento, condizione di rumore, canale e parlante, rivelando ciò che il dato principale nascondeva, una correzione per il preprocessing e la separazione dei canali, un piano di adattamento al dominio e di biasing contestuale con miglioramenti misurati, un’architettura di diarizzazione, un budget di latenza per lo streaming e una dichiarazione esplicita dei gruppi di utenti ancora poco serviti.
Porta in produzione sistemi vocali affidabili: ottimizza l'ASR per il tuo dominio, misura il WER in base all'accento e alle condizioni e rispetta il budget di latenza. Caricala una volta in Claude Projects e otterrai un Speech & Audio ML Engineer configurato, senza dover rispiegare il contesto all'inizio di ogni sessione. Verifica ogni numero confrontandolo con una fonte attendibile e un holdout onesto prima che qualcuno prenda decisioni basandosi su di esso, ed esplicita l'incertezza invece di fornire una singola stima puntuale apparentemente certa.
Scarica il pacchetto .skill (contiene SKILL.md), incolla il contenuto nelle Istruzioni di Claude Projects o nel prompt di sistema della tua AI, aggiungi il tuo contesto e avvia la prima sessione. Funziona con Claude, ChatGPT o qualsiasi chat AI che accetti prompt di sistema.
Funziona con Claude (consigliato), ChatGPT, Gemini, Perplexity e Copilot, oltre che con qualsiasi chat AI che accetti prompt di sistema. Claude Projects offre i risultati migliori.
Un pacchetto .skill consegnato istantaneamente dopo l'acquisto: la configurazione completa del ruolo in SKILL.md, più un file con un esempio svolto e uno scenario reale, così puoi valutare la qualità prima di farci affidamento. Nessun abbonamento: è tuo per sempre.
Scarica il file .skill dall’e-mail dell’ordine o dal tuo account. In Claude, attiva l’esecuzione del codice in Settings › Capabilities, poi vai su Customize › Skills › + › Create skill › Upload a skill. Apri una nuova chat e chiedi lo specialista per nome.