Whisper AI ምንድን ነው? የOpenAI የንግግር ማወቂያ ሞዴል አሠራር

የwhispertranscribe.ai አርታኢ ቡድን · የመጨረሻ ማሻሻያ፦ ኖቬምበር 2026 · የ13 ደቂቃ ንባብ

Whisper AI ምንድን ነው? በአብዛኛው OpenAI በሴፕቴምበር 2022 ያተመውን ክፍት ምንጭ የንግግር ማወቂያ ሞዴል OpenAI Whisperን ያመለክታል። የተቀዳውን ንግግር ወደ ጽሑፍ ይቀይራል፣ ቋንቋውን ይለያል፣ ከሌሎች ቋንቋዎችም ወደ እንግሊዝኛ መተርጎም ይችላል። OpenAI በ680,000 ሰዓት የድር ድምፅ አሠልጥኖ ኮዱንና የሞዴሉን ክብደቶች በMIT ፈቃድ ለቋል።

whispertranscribe.aiን የምንሠራው እኛ ነን። whispertranscribe.ai በድር የሚሠራ ድምፅና ቪዲዮን በ130+ ቋንቋዎች ወደ ጽሑፍ የሚቀይር የAI መሣሪያ ነው። እዚህ ሞዴሉና በእሱ ላይ የተሠሩ ምርቶች ለይተው ቀርበዋል። የሞዴሉ አሃዞች የOpenAI ጥናት፣ ማከማቻ ወይም የሞዴል ካርድ ናቸው።

አጭር መልስ፦ Whisper AI ምንድን ነው?

Whisper ንግግርን ወደ ጽሑፍ የሚቀይር ሞዴል ነው። ከOpenAI የGitHub ማከማቻ አውርደው በኮምፒውተርዎ ማስኬድ ወይም ሞዴሉን ለእርስዎ የሚያስኬድ አገልግሎት መጠቀም ይችላሉ።

  • የሠራው፦ OpenAI። በሰፊ ደረጃ ደካማ ቁጥጥር አስተማማኝ የንግግር ማወቂያ ጥናት በዲሴምበር 6፣ 2022 ወደ arXiv ተለጠፈ።
  • የሚሠራው፦ ንግግር ወደ ጽሑፍ መቀየር፣ ቋንቋ መለየት፣ ወደ እንግሊዝኛ መተርጎም እና የክፍል ጊዜ ማኅተሞችን ማከል።
  • ተጨማሪ መሣሪያ የሚፈልገው፦ ተናጋሪ መለየትና ቀጥታ ጽሑፍ። የOpenAI የሞዴል ካርድ ቀጥታ ጽሑፍ ያለ ተጨማሪ ሥራ እንደማይቻል ይናገራል።
  • መጠኖች፦ ስድስት፣ ከtiny (39 ሚሊዮን ፓራሜትሮች) እስከ large (1,550 ሚሊዮን)።
  • ዋጋ፦ ማውረድና ማስኬድ ነጻ ነው። ሃርድዌሩን እርስዎ ያቀርባሉ።

«Whisper AI» ሦስት ነገሮችን ሊያመለክት ይችላል

ስሙ በሰፊው ስለሚጠቀሙበት ሦስቱን መደባለቅ ቀላል ነው።

ሰዎች «Whisper AI» የሚሉት ምንድን ነው ማን ይሠራዋል አጠቃቀም
OpenAI Whisper ክፍት ምንጭ የንግግር ማወቂያ ሞዴል OpenAI ኮድና ክብደቶችን አውርደው እራስዎ ያስኬዱ
whisper-1 በOpenAI የሚስተናገድ የጽሑፍ ግልባጭ API ሞዴል OpenAI ፋይሎችን ወደ OpenAI API ይላኩ፣ በአጠቃቀም ይክፈሉ
«Whisper» የሚል ስም ያላቸው መተግበሪያዎች እንደ whisperai.com እና whispertranscribe.ai (ይህ ጣቢያ) ያሉ የግልባጭ ምርቶች የተለያዩ ኩባንያዎች በመተግበሪያቸው ድምፅ ይስቀሉ ወይም ይቅዱ

የሦስተኛው ረድፍ ምርቶች የየራሳቸው ባህሪያት፣ ገደቦች፣ ዋጋዎችና የግላዊነት ሁኔታዎች አሏቸው። እዚህ «Whisper» ማለት የOpenAI ሞዴል ነው።

Whisper እንዴት ይሠራል?

Whisper ኢንኮደር-ዲኮደር Transformer ነው። ኢንኮደሩ 30 ሰከንድ ድምፅን ወደ ቁጥራዊ ውክልና ይቀይራል፣ ዲኮደሩ ተዛማጁን ጽሑፍ በየቶከኑ ይጽፋል። ልዩ ቶከኖች የሚሠራውን ተግባር ይጠቁማሉ።

የWhisper ጥናት ሂደቱን ይገልጻል።

  1. የናሙና መጠን መቀየር። ድምፁን ወደ 16,000 Hz ይቀይራል።
  2. በ30 ሰከንድ ክፍሎች መክፈል። ሞዴሉ በአንድ ጊዜ ሁልጊዜ 30 ሰከንድ ይመለከታል። አጫጭር ቅንጥቦች ወደዚያ ርዝመት ይሞላሉ።
  3. ስፔክትሮግራም መፍጠር። እያንዳንዱ ክፍል የድምፅ ኃይል በድግግሞሽ እንዴት እንደሚቀየር የሚያሳይ ባለ80 ቻናል ሎጋሪዝማዊ Mel ስፔክትሮግራም ይሆናል። በየ10 ሚሊሰከንድ በ25 ሚሊሰከንድ ፍሬሞች ይሰላል። Large-v3 ወደ 128 ቻናሎች ቀይሯል።
  4. ኢንኮድ ማድረግ። ሁለት የኮንቮሉሽን ንብርብሮችና ተከታታይ Transformer ክፍሎች ስፔክትሮግራሙን ያቀናብራሉ።
  5. ዲኮድ ማድረግ። ዲኮደሩ ቋንቋውን ወይም «ንግግር የለም» የሚል ቶከን ይገምታል። ከዚያ ተግባሩን (ጽሑፍ ወይም ትርጉም)፣ የጊዜ ማኅተም ማካተትን፣ በመጨረሻም ጽሑፉን ይወስናል።

የጊዜ ማኅተሞች ወደ ቅርቡ 20 ሚሊሰከንድ ተጠጋግተው እንደ ቶከን ይገመታሉ። በዚህም አንድ ሞዴል ቋንቋን መለየት፣ ግልባጭ፣ ትርጉምና ጊዜን ይሠራል።

Whisper በምን ሠለጠነ?

የመጀመሪያ ሞዴሎች ከ680,000 ሰዓታት የኢንተርኔት ድምፅ ከተዛማጅ ጽሑፍ ጋር ተማሩ። ጽሑፎቹ እንደ የፈተና መረጃ በእጅ ስላልተፈተሹ OpenAI «ደካማ ቁጥጥር» ይለዋል።

የሥልጠና ድምፅ ድርሻ ሰዓት ይዘት
ወደ 65% 438,000 እንግሊዝኛ ድምፅ ከእንግሊዝኛ ጽሑፍ ጋር
ወደ 18% 126,000 የሌላ ቋንቋ ድምፅ ከእንግሊዝኛ ጽሑፍ ጋር (የትርጉም መረጃ)
ወደ 17% 117,000 የሌላ ቋንቋ ድምፅና በዚያው ቋንቋ ጽሑፍ

ምንጩ የOpenAI የWhisper ሞዴል ካርድ ነው። ጥናቱ የትርጉም ድርሻውን ወደ 125,000 ሰዓት ያጠጋጋል።

ሁለት ዝርዝሮች የWhisperን ባህሪ ያብራራሉ። OpenAI በማሽን የተሠሩ የሚመስሉ እንደ ሁሉም በትልቅ ፊደል የተጻፉ ቅጂዎችን ስላስወገደ ሞዴሉ ሥርዓተ ነጥብ ያላቸውን ዓረፍተ ነገሮች መጻፍ ተማረ። ብዙ የድር ጽሑፎች ተናጋሪዎችን ስለጠቀሱ የመጀመሪያ ሞዴሎች ስም ይገምቱ ነበር። OpenAI በተጨማሪ ሥልጠና ይህን አስወግዷል፣ ይሁንና ሞዴሉ የሥልጠናውን ጽሑፍ እንዴት እንደሚያንጸባርቅ ያሳያል።

Large-v3 በተለየ መንገድ በወደ 5 ሚሊዮን ሰዓታት ሠለጠነ። እንደ የHugging Face ሞዴል ካርድ 1 ሚሊዮኑ ደካማ የድር መለያ ነበረው፣ 4 ሚሊዮኑ በlarge-v2 ተለይቷል።

የWhisper ሞዴል መጠኖች ንጽጽር

Whisper ስድስት መጠኖች አሉት። ትናንሾቹ በቀላል ሃርድዌር ፈጣን ናቸው። ትላልቆቹ ጥቂት ይሳሳታሉ፣ ተጨማሪ የቪዲዮ ማህደረ ትውስታ (VRAM) ግን ይፈልጋሉ። አሃዞቹ ከOpenAI README የተወሰዱ ናቸው።

መጠን ፓራሜትሮች እንግሊዝኛ ብቻ ባለብዙ ቋንቋ ሥሪት የሚያስፈልግ VRAM ፍጥነት ከlarge ጋር
tiny 39 ሚሊዮን tiny.en tiny ~1 GB ~10x
base 74 ሚሊዮን base.en base ~1 GB ~7x
small 244 ሚሊዮን small.en small ~2 GB ~4x
medium 769 ሚሊዮን medium.en medium ~5 GB ~2x
large 1550 ሚሊዮን የለም large ~10 GB 1x
turbo 809 ሚሊዮን የለም turbo ~6 GB ~8x

OpenAI ፍጥነቶቹን በA100 የዳታ ማዕከል GPU በእንግሊዝኛ ንግግር ላይ ለክቷል። በተግባር ፍጥነቱ በእጅጉ ሊለያይ ይችላል ይላል። ላፕቶፕ ይዘገያል።

የትኛውን Whisper ሞዴል ይምረጡ?

ያለዎትን ማህደረ ትውስታና የጽሑፉን ዓላማ ይመልከቱ።

  • በቀላል ማሽን ለመፈተሽ፦ tiny ወይም base፣ ወደ 1 GB VRAM። ተጨማሪ ስህተቶች ይኖራሉ።
  • እንግሊዝኛ ብቻ፦ የ.en ሞዴል ይጠቀሙ። OpenAI በተለይ tiny እና base ላይ የተሻለ መሆናቸውን ይገልጻል።
  • በመጠነኛ ፍጥነት ጥሩ ጥራት፦ turbo፣ ወደ 6 GB። የትዕዛዝ መስመሩ ነባሪ ነው።
  • ንግግርን ወደ እንግሊዝኛ፦ medium ወይም large። Turbo ለትርጉም አልሠለጠነም፣ ትርጉም ቢጠየቅም መነሻውን ቋንቋ ይመልሳል።
  • ለአስቸጋሪ ድምፅ ምርጥ ውጤት፦ large፣ ወደ 10 GB VRAM።

የWhisper ሥሪቶች አጭር ታሪክ

«Large» ሦስት ልቀቶችን አካቷል። Turbo የlarge-v3 የተቀነሰ ሥሪት ነው። የሞዴል ክብደቶቹ ስለሚለያዩ ሥሪቱ ውጤቱን ይለውጣል።

ሥሪት የወጣበት ለውጥ
መጀመሪያ (tiny እስከ large) ሴፕቴምበር 2022 ከጥናቱ ጋር የመጀመሪያው ክፍት ምንጭ ልቀት
large-v2 ዲሴምበር 2022 ተመሳሳይ መጠን፣ 2.5 እጥፍ የረዘመ ሥልጠና ከተጨማሪ ማስተካከያ ጋር
large-v3 ኖቬምበር 2023 128 Mel ቻናል፣ አዲስ የካንቶኒዝ ቶከን፣ በብዙ ቋንቋዎች ከv2 በ10% እስከ 20% ያነሱ ስህተቶች
turbo (large-v3-turbo) ሴፕቴምበር 2024 ለፍጥነት ዲኮደር ንብርብሮች ከ32 ወደ 4 ቀነሱ፣ ትርጉም የለም

ምንጮቹ የWhisper ሞዴል ካርድ፣ የጥናቱ የlarge-v2 ግርጌ ማስታወሻ እና የHugging Face የlarge-v3 እና large-v3-turbo ካርዶች ናቸው።

Whisper ስንት ቋንቋዎችን ይደግፋል?

Whisper ወደ 99 የሚጠጉ ቋንቋዎችን ይለያል። የጥናቱ ቋንቋ መለያ 99 ቶከኖችን ተጠቅሟል፣ large-v3 ካንቶኒዝን ከጨመረ በኋላ የአሁኑ ቶከን ከፋይ 100 የቋንቋ ኮዶች ይዘረዝራል። ጥራት በቋንቋ ይለያያል። የሞዴል ካርዱ በወደ 10 ቋንቋዎች ጠንካራ ውጤት እንዳለው ይገልጻል።

ጥራቱ ከሥልጠና መረጃው ጋር ይዛመዳል። ጥናቱ የቋንቋው የሥልጠና ሰዓታት አፈጻጸሙን በደንብ እንደሚተነብዩና ብዙ ቋንቋዎች ከ1,000 ሰዓት በታች እንዳላቸው አግኝቷል። እንግሊዝኛ፣ ስፓኒሽ ወይም ጀርመንኛ ብዙ ጊዜ አነስተኛ መረጃ ካለው ቋንቋ ይሻላል። README በየቋንቋው የስህተት ገበታ አገናኝ ያቀርባል።

የምርቱ አሃዝ የተለየ ነው። whispertranscribe.ai 130+ ቋንቋዎችን ይደግፋል። የዋጋ ገጹ «130+ ቋንቋዎችና ዘዬዎች» ይላል፣ ይህም የምርታችን ድጋፍ ነው።

Whisper ምን ያህል ትክክል ነው?

አንድ አሃዝ የለም፣ ጥራቱ በመጠን፣ ቋንቋና ቅጂ ይወሰናል። በጠራ የተነበበ እንግሊዝኛ large-v2 2.7% የቃላት ስህተት መጠን (WER) ነበረው። አብዛኞቹ ይበልጥ ከባድ በሆኑት 14 የእንግሊዝኛ ስብስቦች አማካይ 12.8% ነበር።

WER የተተኩ፣ የጠፉ ወይም የተጨመሩ ቃላትን በሰው ከተዘጋጀ ማጣቀሻ ጽሑፍ ጋር በማነጻጸር ይለካል። ዝቅ ያለ ውጤት ይሻላል። አሃዞቹ ከጥናቱ ሰንጠረዥ 2 ናቸው፣ Whisper large-v2ን በLibriSpeech የኦዲዮ መጽሐፍ መረጃ ከሠለጠነ wav2vec 2.0 ጋር ያነጻጽራሉ።

የፈተና ስብስብ የwav2vec 2.0 WER የWhisper large-v2 WER
LibriSpeech clean (የተነበቡ መጻሕፍት) 2.7% 2.7%
Common Voice (በሕዝብ የተቀዳ ንግግር) 29.9% 9.0%
CHiME-6 (ጫጫታ ያለው የእራት ቅጂ) 65.8% 25.5%
በሰንጠረዡ ያሉ 14 ስብስቦች አማካይ 29.3% 12.8%

ሁለቱ ሞዴሎች በኦዲዮ መጽሐፍ ሙከራ እኩል ሲሆኑ Whisper በሌሎቹ በአማካይ 55.2% ያነሰ ስህተት ነበረው። የOpenAI ማስታወቂያ ይህን «50% ያነሰ ስህተት» ብሎ ያጠጋጋል። በጥናቱ የጫጫታ ሙከራ በLibriSpeech የሠለጠኑ ሞዴሎች በጣም ጠራ ባለ ድምፅ ላይ Whisperን ይበልጣሉ። የመጠጥ ቤት ዓይነት ጫጫታ ሲጨምር፣ የምልክት ከጫጫታ ጥምርታ ከ10 dB በታች ሲሆን፣ ወደኋላ ይቀራሉ።

እነዚህ የጥናት መለኪያዎች ናቸው። የራስዎ ውጤት በፋይሉ ይወሰናል፣ የምርት አሃዞችም የተለዩ ናቸው። ለምሳሌ whispertranscribe.ai ጠራ ባለ ድምፅ እስከ 99% ይደርሳል፣ ጫጫታ፣ ተደራራቢ ንግግርና ጎልቶ የሚሰማ ዘዬ ያሳንሱታል።

የWhisper ገደቦች ምንድን ናቸው?

ዋናው ድክመት ማንም ያልተናገረውን ጽሑፍ አቀላጥፎ መጻፍ መቻሉ ነው። የOpenAI የሞዴል ካርድ ይህንን ያልተነገረ መፍጠር ብሎ ከደካማ ቁጥጥር ሥልጠና ጋር ያዛምዳል። ድግግሞሽ፣ በቋንቋና ዘዬ የሚለያይ ጥራትና አብሮገነብ የተናጋሪ መለያ አለመኖርም ተጠቅሰዋል።

  1. ያልተነገረ ጽሑፍ። በ2024 Careless Whisper ጥናት ከተፈተሹት ጽሑፎች ወደ 1% በድምፁ የሌሉ ሙሉ ሐረጎች ወይም ዓረፍተ ነገሮች አካተቱ። ረጅም የንግግር ፋታዎች ሲኖሩ የበለጠ ታይቷል።
  2. ተደጋጋሚ ሐረጎች። ሞዴሉ ተመሳሳይ ሐረግን እየደገመ ሊቀር ይችላል። የሞዴል ካርዱ beam search እና በሌላ temperature እንደገና መሞከር ችግሩን በከፊል እንደሚቀንሱ ይላል።
  3. የመጀመሪያ ወይም መጨረሻ ቃላት መቅረት። ጥናቱ በክፍሉ መነሻ ወይም መጨረሻ ጥቂት ቃላት ሊዘለሉ እንደሚችሉ ይዘረዝራል።
  4. ረጅም ቅጂ ክፍፍል ይፈልጋል። Whisper በአንድ ጊዜ 30 ሰከንድ ብቻ ያያል። ለረጅም ፋይል መሣሪያው ክፍሉን በተገመቱ የጊዜ ማኅተሞች ያንቀሳቅሳል፣ በአንዱ ክፍል ስህተት ቀጣዩን ሊያዛባ ይችላል።
  5. የተናጋሪ መለያ የለም። ማን መቼ እንደተናገረ መለየት በደንብ እንዳልተፈተሸ ካርዱ ይላል። ለዚህ ሌላ መሣሪያ ይፈልጋሉ።
  6. በነባሪ ቀጥታ አይሠራም። ለተቀመጡ ፋይሎች ተሠርቷል። የቀጥታ ንዑስ ርዕስ ተጨማሪ ማዘጋጀት ይፈልጋል።
  7. በቋንቋና ዘዬ የሚለያይ ጥራት። ካርዱ በአንዳንድ ዘዬዎች፣ አነጋገሮችና የሕዝብ ቡድኖች ከፍተኛ ስህተቶችን ይጠቅሳል።

OpenAI ያለ ፈቃድ የሰውን ድምፅ ወደ ጽሑፍ እንዳይቀይሩ እና ለከፍተኛ ስጋት ውሳኔ እንዳይጠቀሙ ያስጠነቅቃል።

ይፋዊ ምንጮች የሚለያዩበት

በOpenAI ሰነዶች አንዳንድ አሃዞች በማጠጋጋት ወይም ሥሪት ይለያያሉ። አሃዝ ከመጥቀስዎ በፊት ያረጋግጡ።

ርዕስ አንድ ይፋዊ ምንጭ ሌላ ምንጭ የሚጠቀሱት
ከLibriSpeech ሞዴሎች የስህተት ቅናሽ ጥናት፦ በአማካይ 55.2% ቅናሽ የOpenAI ማስታወቂያ፦ 50% ቅናሽ ጥናቱን ከንጽጽሩ ጋር ይጥቀሱ
በሥልጠና ከእንግሊዝኛ ውጭ ቋንቋዎች ጥናት፦ 96 ሌሎች ቋንቋዎች ካርድ፦ 98 ቋንቋዎች ለመለየት «ወደ 99 ቋንቋዎች»
የትርጉም ሥልጠና ሰዓታት ካርድ፦ 126,000 ጥናት፦ 125,000 ከሁለቱ አንዱን በግምት ብለው ይጥቀሱ
የTurbo ፓራሜትር ብዛት README እና Hugging Face፦ 809 ሚሊዮን የካርድ ሰንጠረዥ፦ 798 ሚሊዮን ብዙ ምንጮች 809 ሚሊዮን ይጠቅሳሉ
የሥልጠና መረጃ መጠን የመጀመሪያው ጥናት፦ 680,000 ሰዓት የLarge-v3 ካርድ፦ 5 ሚሊዮን ሰዓት የትኛውን ሥሪት እንደሚጠቅሱ ይግለጹ
ፈቃድ GitHub፦ MIT ለኮድና ክብደቶች የHugging Face large-v3 ሜታዳታ፦ Apache-2.0 ያወረዱትን ቅጂ የፈቃድ ፋይል ይፈትሹ

Whisperን መጠቀም፦ በራስዎ ማስኬድ፣ API ወይም መተግበሪያ

ሦስት ተግባራዊ አማራጮች አሉ። በራስዎ ማስኬድ ነጻ ነው፣ ድምፁም በመሣሪያዎ ይቆያል። የOpenAI API ማቀናበሪያ ሥራን ያስቀራል፣ የፋይል መጠን ግን ይገድባል። የተስተናገደ መተግበሪያ አርትዖት፣ የተናጋሪ መለያና ማውጫ ይጨምራል፣ የራሱ ሁኔታ ያለው የሦስተኛ ወገን አገልግሎት ነው።

ክፍት ምንጭ Whisperን ማስኬድ የOpenAI ግልባጭ API የተስተናገደ መተግበሪያ
ዝግጅት Python፣ PyTorch እና FFmpeg ኮድና API ቁልፍ አሳሽ
ወጪ ነጻ፣ ሃርድዌሩ የእርስዎ ነው በአጠቃቀም ነጻ ደረጃ ወይም ምዝገባ፣ በመተግበሪያው ይለያል
የፋይል ገደብ በሃርድዌር 25 MB በፋይል በየመተግበሪያው
የድምፅ መድረሻ በኮምፒውተርዎ ይቆያል ወደ OpenAI ይላካል ወደ መተግበሪያው ሰርቨሮች ይላካል
የተናጋሪ መለያ አልተካተተም በwhisper-1 የለም በመተግበሪያው ይወሰናል
አርትዖትና ማውጫ TXT፣ SRT፣ VTT፣ TSV፣ JSON ከትዕዛዝ መስመር ወደ ኮድዎ ይመለሳል፣ ቀሪውን እርስዎ ይገነባሉ ብዙ ጊዜ አርታኢ፣ የሰነድና የንዑስ ርዕስ ማውጫ

Whisperን በኮምፒውተርዎ ላይ ማስኬድ

የOpenAI README የመጫኛ ትዕዛዝና የመሠረታዊ አስኬድ ምሳሌ ይሰጣል።

pip install -U openai-whisper
whisper interview.mp3 --model turbo

FFmpegንም መጫን አለብዎት። README ኮዱ በPython 3.8 እስከ 3.11 እንደሚሠራ ይገልጻል። የተነገረውን ቋንቋ ለመጥቀስ --language ያክሉ፣ እንግሊዝኛ ለማግኘት ደግሞ በባለብዙ ቋንቋ ሞዴል --task translate ይጠቀሙ። ክብደቶቹ በመጀመሪያ አጠቃቀም ይወርዳሉ።

የOpenAI APIን መጠቀም

የOpenAI የንግግር ወደ ጽሑፍ መመሪያ 25 MB በፋይል ይገድባል። የበለጠን ያሳንሱ ወይም ይክፈሉ። የእንግሊዝኛው ጽሑፍ የኖቬምበር 2026 ፍተሻ መሠረት መመሪያው whisper-1ን ከአገልግሎት የሚወጣ ብሎ ይጠቅሳል፣ የማቋረጫውንም ቀን ፌብሩዋሪ 26፣ 2027 ብሎ ለገንቢዎች አዳዲስ ሞዴሎችን ይጠቁማል። እነዚያ የOpenAI የንግግር ሞዴሎች ናቸው። ክፍት ምንጭ Whisper የራሱ ልቀቶች አሉት።

የተስተናገደ የግልባጭ መተግበሪያ መጠቀም

ምንም መጫን ካልፈለጉ የተስተናገደ መተግበሪያ ፋይሎቹን በሰርቨሩ ያቀናብራል። whispertranscribe.ai አንዱ አማራጭ ነው፣ ነጻ የድምፅ ወደ ጽሑፍ መቀየሪያው ፈጣን ሙከራ ያስችላል። ዋናው ገጻችን whispertranscribe.aiን በWhisper እና በአዲስ ትውልድ AI የሚሠራ ብሎ ይገልጻል። የምርት ገጾቻችን የሚዘረዝሩት፦

ፋይሉ ወደ ደመና አገልግሎት ይሄዳል። API፣ ብጁ የቃላት ዝርዝር ወይም የስብሰባ ቦት አናቀርብም። የሚከፈሉ ዕቅዶች በዓመት ሲከፈሉ በወር ከ$9.99 ይጀምራሉ (ዋጋ)። መለያ ሳይከፍቱ በነጻ ይጀምሩ። ዝርዝሩን በWhisper AI ግልባጭ መሣሪያ ወይም ሁሉም ባህሪያት ገጾች ይመልከቱ።

Whisper ክፍት ምንጭ ነው? ፈቃዱ ምን ይፈቅዳል?

አዎ። የOpenAI ማከማቻ የWhisper ኮድና ክብደቶች በMIT ፈቃድ እንደተለቀቁ ይገልጻል። MIT ሰፊ ፈቃድ ነው። የቅጂ መብትና የፈቃድ ማስታወቂያዎችን ካቆዩ ኮዱን መጠቀም፣ መቅዳት፣ መለወጥና በእሱ የተሠራውን ሶፍትዌር መሸጥ ይችላሉ።

ሁለት ጥንቃቄዎች አሉ። በሌሎች ጣቢያዎች ያሉ ቅጂዎች የተለያየ ፈቃድ ሊያመለክቱ ይችላሉ፣ የHugging Face large-v3 ገጽ Apache-2.0 ይላል። የሚጠቀሙበትን ቅጂ ፈቃድ ያንብቡ። ፈቃዱ ሶፍትዌሩን ይመለከታል። ለድምፅ ቅጂ የፈቃድና ግላዊነት ደንቦች እንደቀድሞው ይሠራሉ። ይህ አጠቃላይ መረጃ ነው፣ የሕግ ምክር አይደለም። የMIT ፈቃድ ጽሑፍ ይፋዊ ምንጭ ነው።

Whisper ለማን ይመቻል?

ነጻ፣ ግላዊና ያልተገደበ ግልባጭ ለሚፈልጉ ገንቢዎችና የትዕዛዝ መስመር ለሚያውቁ ሰዎች ይመቻል። ከአርታኢና ማውጫዎች ጋር የተጠናቀቀ ጽሑፍ ከፈለጉ፣ የተስተናገደ መተግበሪያ ብዙ ጊዜ ይፈጥናል።

እርስዎ… የሚመች አማራጭ ምክንያት
ምርት የሚሠሩ ገንቢ ክፍት ምንጭ Whisper ወይም API በሂደቱ ላይ ሙሉ ቁጥጥር
ሚስጥራዊ ቃለ መጠይቅ ያለዎት ተመራማሪ በመሣሪያዎ ላይ ክፍት ምንጭ Whisper ድምፁ ከመሣሪያዎ አይወጣም
በዚህ ሳምንት ንዑስ ርዕስ የሚፈልጉ ፈጣሪ SRT ወይም VTT የሚያወጣ የተስተናገደ መተግበሪያ መጫን የለም፣ የጊዜ ፋይሎች ለሰቀላ ዝግጁ
GPU የሌለው ላፕቶፕ ተጠቃሚ ትንሽ የአካባቢ ሞዴል ወይም የተስተናገደ መተግበሪያ ትልቅ ሞዴሎች ወደ 10 GB VRAM ይፈልጋሉ

የWhisper ጽሑፍን ከማመንዎ በፊት፦ የፍተሻ ዝርዝር

ዝርዝሩን ከOpenAI ጥናትና ሞዴል ካርድ የሚታወቁ ስህተቶች መሠረት አዘጋጅተናል።

  • በፋታና በጸጥታ ውስጥ ያልተነገረ ዓረፍተ ነገር ፈልጉ።
  • በተከታታይ የተደጋገመ ሐረግ ፈልጉ።
  • የፋይሉን መጀመሪያና መጨረሻ መስመሮች ከድምፁ ጋር ይፈትሹ።
  • ስሞችን፣ ቁጥሮችንና የሙያ ቃላትን ያረጋግጡ።
  • ቋንቋው በትክክል መለየቱን ይፈትሹ ወይም በእጅ ይምረጡ።
  • ለትርጉም turbo አለመጠቀምዎን ያረጋግጡ።
  • ካስፈለገ የተናጋሪ መለያ በሌላ መሣሪያ ያክሉ።
  • ሌሎችን ከመቅዳት ወይም ከመገልበጥ በፊት ፈቃድ፣ ለኦንላይን ትምህርትም የአዘጋጁን ፈቃድ ያግኙ።

ተደጋጋሚ ጥያቄዎች

Whisper AI ነጻ ነው?

አዎ፣ OpenAI Whisperን በነጻ ማውረድና ማስኬድ ይችላሉ። ኮድና ክብደቶቹ በMIT ፈቃድ ናቸው፣ ለOpenAI ክፍያ አያስፈልግም። ኮምፒውተሩን እርስዎ ያቀርባሉ፣ large ሞዴል ወደ 10 GB የGPU ማህደረ ትውስታ ይፈልጋል። የተስተናገዱ አማራጮች ክፍያ አላቸው፣ የOpenAI API በአጠቃቀም፣ መተግበሪያዎች ደግሞ በየዕቅዳቸው ያስከፍላሉ። ለራስ ማስኬድ Python፣ FFmpeg እና የትዕዛዝ መስመር ልምድ ያስፈልጋል።

Whisper ተናጋሪዎችን ይለያል?

ብቻውን አይለይም። የተነገረውን ይጽፋል፣ ማን እንደተናገረ ግን አያመለክትም። የOpenAI ሞዴል ካርድ የተናጋሪ መለየት በደንብ እንዳልተፈተሸ ይገልጻል። መለያ ለማግኘት Whisperን ከተለየ የድምፅ መለያ መሣሪያ ጋር ያጣምሩ ወይም መለያን የሚጨምር አገልግሎት ይጠቀሙ። whispertranscribe.ai ለምሳሌ ከግልባጭ በፊት ሊበራ የሚችል የተናጋሪ መለያ አለው። የሚመሳሰሉ ድምፆች ሲኖሩ መለያዎቹን ይፈትሹ።

Whisper በቀጥታ ወደ ጽሑፍ ይቀይራል?

በነባሪ አይቀይርም። Whisper ለተቀዳ ድምፅ የተዘጋጀ ሲሆን በ30 ሰከንድ ክፍሎች ያቀናብራል። የOpenAI ካርድ ቀጥታ ጽሑፍ ተጨማሪ ሥራ እንደሚፈልግ ይላል። ገንቢዎች አጫጭር ድምፆችን እንደደረሱ በመላክ ወደ ቀጥታ የሚቀርቡ መሣሪያዎች ሠርተዋል። ለቀጥታ ንዑስ ርዕስ ልዩ የቀጥታ ሁነታ ያለው መሣሪያ ይፈልጉ፣ ከተጠናቀቀ ቅጂ የሚመጣ ጽሑፍ ይልቅ ብዙ እርማት ይጠብቁ።

Whisper ስንት ቋንቋዎችን ይደግፋል?

ወደ 99 የሚጠጉ ቋንቋዎችን ይለያል። large-v3 ካንቶኒዝን ከጨመረ በኋላ የአሁኑ ቶከን ከፋይ 100 የቋንቋ ኮዶችን ይዘረዝራል። ጥራቱ በእጅጉ ይለያያል። የOpenAI ካርድ ወደ 10 ቋንቋዎች ላይ ጥሩ ውጤት ይዘረዝራል፣ ጥናቱም ብዙ ቋንቋዎች ከ1,000 ሰዓት በታች የሥልጠና ድምፅ እንዳላቸው አግኝቷል። ብዙ የማይሠራበትን ቋንቋ በቅንጥብ ይፈትሹ። እንደ whispertranscribe.ai 130+ ቋንቋዎች ያሉ አሃዞች የየምርቱን ድጋፍ ያመለክታሉ።

whispertranscribe.ai እና OpenAI Whisper ተመሳሳይ ናቸው?

የተለያዩ ናቸው። OpenAI Whisper አውርደው የሚያስኬዱት ክፍት ምንጭ ሞዴል ነው። whispertranscribe.ai በአሳሽ የሚሠራ የተለየ አገልግሎት ነው፣ ዋናው ገጽ በWhisper እና በአዲስ ትውልድ AI የተደገፈ ብሎ ይገልጻል። እስከ 5GB ሰቀላ፣ ከYouTube ወይም Google Drive አገናኝ ማስገባት፣ የተናጋሪ መለያ እና DOCX፣ PDF፣ SRT፣ VTT ማውጫ ይጨምራል። «Whisper» ስም ያላቸው ሌሎቹ የተለያዩ ኩባንያዎች ምርቶች ናቸው።

Whisper ለምን አንዳንዴ ማንም ያልተናገረውን ይጽፋል?

እንደ ቋንቋ ሞዴል ጽሑፍ ስለሚገምት ነው። የOpenAI ሞዴል ካርድ በብዙ ጫጫታ ባለው የድር መረጃ ሥልጠና አንዳንዴ በድምፁ የሌሉ ቃላት እንዲወጡ እንደሚያደርግ ይላል። OpenAI ቀጣዩን ቃል መገመትን ከሚሰማውን መጻፍ ጋር እንደሚያጣምር ያብራራል። የ2024 ጥናት ከፈተሻዎቹ ወደ 1% ሙሉ የተፈጠሩ ሐረጎች አግኝቷል፣ በረጅም ፋታ አካባቢ በብዛት። ፋታ፣ ጸጥታና ማንኛውንም ጠቃሚ ጽሑፍ ከድምፁ ጋር ይፈትሹ።


Whisperን ሳይጭኑ ጽሑፍ ይፈልጋሉ? whispertranscribe.ai ላይ ፋይል ይስቀሉ ወይም አገናኝ ይለጥፉ። በ130+ ቋንቋ የሚገኘውን ጽሑፍ በDOCX፣ PDF፣ SRT እና VTT ማውጣት ይችላሉ።

ምንጮች

የተቀዳ ድምፅዎን ወደ ጽሑፍ መቀየር ይፈልጋሉ?

በ whispertranscribe.ai ድምፅንና ቪዲዮን ወደ ጽሑፍ ይቀይሩ።

ወደ ጽሑፍ መቀየር ይጀምሩ ↗