テキスト、画像、音声、動画を組み合わせたマルチモーダルAIアプリケーションを構築するためのパターン集。ビジョンAPI、音声の文字起こし、統合パイプラインを扱います。「マルチモーダルAI、ビジョンAPI、画像理解、GPT-4V、Claude Vision、音声文字起こし、Whisper、文書抽出、画像からテキス…
テキスト、画像、音声、動画を組み合わせたマルチモーダルAIアプリケーションを構築するためのパターン集。ビジョンAPI、音声の文字起こし、統合パイプラインを扱います。「マルチモーダルAI、ビジョンAPI、画像理解、GPT-4V、Claude Vision、音声文字起こし、Whisper、文書抽出、画像からテキストへ...
このページは OpenClaw Skills 学習ハブの一部で、導入手順・カテゴリ導線・実践リンクを提供します。