用途：该技能面向需要使用 Groq 非聊天端点的场景，包括音频转写与翻译、图像理解、文本转语音和模型基准测试，全部通过同一个 groq-sdk 客户端调用。
主要能力：音频方面支持 whisper-large-v3（100+ 语言，164 倍实时，精度优先）和 whisper-large-v3-turbo（216 倍实时，速度与精度平衡），支持 flac、mp3、mp4、mpeg、mpga、m4a、ogg、wav、webm 格式。转写使用 groq.audio.transcriptions.create，可用 response_format: "verbose_json" 配合 timestamp_granularities: ["segment"] 获取分段起止时间；翻译使用 groq.audio.translations.create，将任意语言音频直接转为英文。视觉使用普通 chat.completions.create，content 为 text 与 image_url 混合数组，模型为 meta-llama/llama-4-scout-17b-16e-instruct，最多 5 张图片，支持 URL 或 base64，格式为 JPEG、PNG、GIF、WebP，并支持工具调用、JSON 模式和流式输出。文本转语音使用 groq.audio.speech.create，模型 playai-tts，输出可写为 wav、mp3、flac、opus 或 aac。基准测试通过循环多个聊天模型并计时，比较延迟与每秒 token 数。
使用方式：需安装 groq-sdk 并设置 GROQ_API_KEY（SDK 自动从环境读取）。音频需提供受支持格式的文件，视觉需图片 URL 或 base64。完整可运行代码见 references/implementation.md，示例脚本见 references/examples.md。
限制与错误处理：音频超过 25MB 需分块；不支持的音频格式需先转为 mp3/wav/flac；视觉模型 ID 必须写全路径；单次请求图片不超过 5 张；Whisper 触发 429 时应排队请求。常见错误与排查可参考 groq-common-errors 技能，聊天补全、流式、工具调用与 JSON 模式见 groq-core-workflow-a。