ما Whisper AI؟ كيف يعمل نموذج OpenAI للتعرف على الكلام

بقلم فريق تحرير whispertranscribe.ai · آخر تحديث: نوفمبر 2026 · مدة القراءة: 13 دقيقة

ما Whisper AI؟ يقصد به غالبًا OpenAI Whisper، نموذج التعرف على الكلام المفتوح المصدر الذي نشرته OpenAI في سبتمبر 2022. يحول الكلام المسجل إلى نص، ويحدد اللغة المنطوقة، ويمكنه ترجمة اللغات الأخرى إلى الإنجليزية. دربته OpenAI على 680,000 ساعة صوت من الويب وأصدرت الشفرة وأوزان النموذج بترخيص MIT.

إفصاح سريع: نحن نطوّر whispertranscribe.ai. whispertranscribe.ai أداة تفريغ عبر الويب تحول الصوت والفيديو إلى نص بأكثر من 130 لغة. يميز هذا الدليل بين النموذج والمنتجات المبنية حوله، وتأتي أرقام النموذج من ورقة OpenAI أو مستودعها أو بطاقة النموذج.

إجابة سريعة: ما Whisper AI؟

Whisper نموذج لتحويل الكلام إلى نص، لا تطبيقًا أو شركة. يمكنك تنزيله من مستودع OpenAI على GitHub وتشغيله على جهازك، أو استخدام خدمة تشغله لك.

  • المطور: OpenAI. نُشرت ورقة البحث، Robust Speech Recognition via Large-Scale Weak Supervision، على arXiv في 6 ديسمبر 2022.
  • ما يفعله: يفرغ الكلام ويكتشف اللغة ويترجم الكلام إلى الإنجليزية ويضيف توقيت المقاطع.
  • ما لا يفعله جاهزًا: لا يحدد من يتحدث ولا يوفر تفريغًا مباشرًا دون تطوير إضافي، وفق بطاقة النموذج من OpenAI.
  • الأحجام: ستة، من tiny ذي 39 مليون معلمة إلى large ذي 1,550 مليونًا.
  • التكلفة: تنزيله وتشغيله مجانيان؛ وتوفر أنت الجهاز.

قد يشير اسم «Whisper AI» إلى ثلاثة أشياء

يستخدم الاسم على نحو واسع، وقد تختلط هذه المعاني الثلاثة.

ما يسمى «Whisper AI» ما هو؟ من يصنعه؟ كيف تستخدمه؟
OpenAI Whisper نموذج تعرف على الكلام مفتوح المصدر OpenAI نزّل الشفرة والأوزان وشغّلها بنفسك
whisper-1 نموذج API مستضاف من OpenAI للتفريغ OpenAI أرسل ملفات الصوت إلى واجهة OpenAI وادفع حسب الاستخدام
تطبيقات في اسمها «Whisper» منتجات تفريغ مثل whisperai.com وwhispertranscribe.ai، هذا الموقع شركات مستقلة ارفع الصوت أو سجله في تطبيقاتها

منتجات الصف الثالث ليست النموذج نفسه ولا تتطابق في خصائصها. تحدد كل شركة ميزاتها وحدودها وأسعارها وشروط خصوصيتها. في هذا المقال تعني كلمة «Whisper» نموذج OpenAI.

كيف يعمل Whisper؟

Whisper نموذج Transformer بمشفّر ومفكك شفرة. يحول المشفّر 30 ثانية من الصوت إلى تمثيل رقمي، ويكتب مفكك الشفرة النص المطابق رمزًا تلو الآخر، بتوجيه رموز خاصة تحدد المهمة.

تصف ورقة Whisper هذه المراحل:

  1. إعادة أخذ العينات. يحول الصوت إلى 16,000 Hz.
  2. تقسيمه إلى نوافذ 30 ثانية. ينظر النموذج إلى 30 ثانية في المرة، وتُستكمل المقاطع الأقصر بحشو.
  3. إنشاء مخطط طيفي. تتحول كل نافذة إلى مخطط log-Mel ذي 80 قناة، يوضح تغير طاقة الصوت عبر الترددات، محسوبًا على إطارات 25 ميلي ثانية كل 10 ميلي ثانية. انتقل large-v3 إلى 128 قناة.
  4. الترميز. تعالج طبقتا التفاف ومجموعة كتل Transformer المخطط الطيفي.
  5. فك الشفرة. يتوقع النموذج اللغة أو رمز «لا كلام» أولًا، ثم المهمة، تفريغًا أو ترجمة، ثم تضمين التوقيت من عدمه، وأخيرًا النص.

تُتوقع الطوابع الزمنية كرموز أيضًا، مقربة إلى أقرب 20 ميلي ثانية. وبذلك يتعامل نموذج واحد مع كشف اللغة والتفريغ والترجمة والتوقيت.

على ماذا دُرّب Whisper؟

تعلمت النماذج الأصلية من 680,000 ساعة صوت على الإنترنت مع تفريغ مطابق. تسمي OpenAI ذلك «إشرافًا ضعيفًا» لأن النصوص لم تفحص يدويًا مثل مجموعات الاختبار المرجعية.

حصة بيانات التدريب الساعات المحتوى
نحو 65% 438,000 صوت إنجليزي مع نصوص إنجليزية
نحو 18% 126,000 صوت غير إنجليزي مع نصوص إنجليزية، أي بيانات ترجمة
نحو 17% 117,000 صوت غير إنجليزي مع نصوص باللغة نفسها

المصدر: بطاقة نموذج Whisper من OpenAI. تقرّب الورقة حصة الترجمة إلى 125,000 ساعة.

يفسر تفصيلان سلوك Whisper: استبعدت OpenAI نصوصًا تبدو آلية مثل النص المكتوب كله بأحرف كبيرة، فتعلم النموذج كتابة جمل مرقمة. وكانت النماذج المبكرة تخمّن أسماء المتحدثين لأن نصوص الويب كثيرًا ما تضمنت أسماء؛ وقد ضُبط النموذج لتقليل ذلك، لكنه يوضح أثر بيانات التدريب.

دُرب large-v3 بطريقة مختلفة على نحو 5 ملايين ساعة: مليون بتسميات ويب ضعيفة و4 ملايين وسمها large-v2، وفق بطاقته على Hugging Face.

مقارنة أحجام نموذج Whisper

يأتي Whisper بستة أحجام. تعمل النماذج الأصغر أسرع على أجهزة متواضعة؛ وتقل أخطاء الأكبر لكنها تحتاج إلى ذاكرة فيديو VRAM أكثر. الأرقام من ملف README لدى OpenAI.

الحجم المعلمات نسخة إنجليزية فقط نسخة متعددة اللغات VRAM المطلوبة السرعة مقارنة بـ large
tiny 39 مليونًا tiny.en tiny نحو 1 GB نحو 10x
base 74 مليونًا base.en base نحو 1 GB نحو 7x
small 244 مليونًا small.en small نحو 2 GB نحو 4x
medium 769 مليونًا medium.en medium نحو 5 GB نحو 2x
large 1550 مليونًا لا يوجد large نحو 10 GB 1x
turbo 809 ملايين لا يوجد turbo نحو 6 GB نحو 8x

قاست OpenAI السرعة على كلام إنجليزي باستخدام GPU من نوع A100 لمراكز البيانات، وتقول إن السرعة الفعلية قد تختلف كثيرًا. سيكون الكمبيوتر المحمول أبطأ.

أي نموذج Whisper تختار؟

ابدأ بالذاكرة المتاحة والغرض من النص:

  • للتجربة على جهاز بسيط: tiny أو base، بذاكرة VRAM تقارب 1 GB. توقع أخطاء أكثر.
  • للإنجليزية فقط: استخدم نموذج .en. تقول OpenAI إنه يؤدي أفضل، خاصة بحجمي tiny وbase.
  • جودة جيدة بسرعة معقولة: turbo، بنحو 6 GB. وهو الافتراضي في سطر الأوامر.
  • لترجمة الكلام إلى الإنجليزية: medium أو large. لم يُدرّب Turbo على الترجمة ويعيد اللغة الأصلية حتى عند طلب الترجمة.
  • للصوت الأصعب وأفضل نتيجة ممكنة: large، بنحو 10 GB من VRAM.

إصدارات Whisper: تسلسل مختصر

شمل اسم large ثلاثة إصدارات، وturbo نسخة مخففة من large-v3. يهم الإصدار لأن النتائج تختلف بين نقاط الحفظ.

الإصدار الإطلاق ما الذي تغير؟
النماذج الأصلية من tiny إلى large سبتمبر 2022 أول إصدار مفتوح المصدر مع البحث
large-v2 ديسمبر 2022 الحجم نفسه مع تدريب أطول 2.5 مرة وتنظيم إضافي
large-v3 نوفمبر 2023 ‏128 قناة Mel ورمز جديد للكانتونية وأخطاء أقل من v2 بنسبة 10% إلى 20% في لغات كثيرة
turbo ‏(large-v3-turbo) سبتمبر 2024 تقليص طبقات مفكك الشفرة من 32 إلى 4 للسرعة، دون ترجمة

المصادر: بطاقة نموذج Whisper وحاشية الورقة عن large-v2 وبطاقات Hugging Face لكل من large-v3 وlarge-v3-turbo.

كم لغة يدعم Whisper؟

يتعرف Whisper على نحو 99 لغة. استخدم كاشف اللغة في الورقة 99 رمز لغة، ويسرد المرمّز الحالي 100 رمز بعد إضافة الكانتونية في large-v3. لكن الدعم لا يعني الجودة نفسها: تصف بطاقة النموذج نتائج قوية في نحو 10 لغات.

ترتبط الجودة ببيانات التدريب. وجدت الورقة أن أداء اللغة يمكن توقعه بدرجة كبيرة من عدد ساعاتها في التدريب، وأن معظم اللغات حظيت بأقل من 1,000 ساعة. تخرج الإنجليزية أو الإسبانية أو الألمانية عادة أنظف من لغة منخفضة الموارد. يربط README بمخطط أخطاء لكل لغة إذا أردت التحقق.

لا تخلط هذا بعدد لغات المنتجات. تدعم whispertranscribe.ai أكثر من 130 لغة. هذا رقم دعم المنتج، وتقول صفحة الأسعار «أكثر من 130 لغة ولهجة»، وليس خاصية لنموذج Whisper المفتوح المصدر نفسه.

ما مدى دقة Whisper؟

لا يوجد رقم دقة واحد، لأن النتيجة تعتمد على حجم النموذج واللغة والتسجيل. في الإنجليزية المقروءة بوضوح حقق large-v2 معدل خطأ كلمات WER قدره 2.7%. وكان المتوسط عبر 14 مجموعة اختبار إنجليزية، معظمها أصعب، 12.8%.

WER نسبة الكلمات المستبدلة أو المحذوفة أو المضافة مقارنة بنص مرجعي بشري؛ الأقل أفضل. تأتي الأرقام التالية من الجدول 2 في الورقة، الذي يقارن Whisper large-v2 بنموذج wav2vec 2.0 مدرب على كتب LibriSpeech الصوتية:

مجموعة الاختبار WER لـ wav2vec 2.0 WER لـ Whisper large-v2
LibriSpeech clean، كتب صوتية مقروءة 2.7% 2.7%
Common Voice، كلام سجله مشاركون 29.9% 9.0%
CHiME-6، تسجيلات حفل عشاء صاخب 65.8% 25.5%
متوسط مجموعات الاختبار الـ 14 في الجدول 29.3% 12.8%

النمط هو المهم. تعادل النموذجان في اختبار الكتب الصوتية، لكن أداء Whisper كان أفضل في المجموعات الأخرى، بأخطاء أقل 55.2% في المتوسط. يقرّب إعلان OpenAI النتيجة إلى 50%. في اختبارات الضوضاء تفوقت نماذج LibriSpeech على Whisper في صوت شبه نقي، لكنها تراجعت عندما ارتفعت ضوضاء الحانة وانخفضت نسبة الإشارة إلى الضوضاء عن 10 dB.

هذه اختبارات بحثية وليست وعدًا لملفاتك، وادعاءات المنتجات منفصلة. مثلًا، تصل دقة whispertranscribe.ai إلى 99% مع الصوت الواضح، وتنخفض مع الضوضاء وتداخل الكلام واللكنات القوية.

ما حدود Whisper؟

أبرز نقاط ضعفه أنه قد يكتب نصًا سلسًا لم يقله أحد. تسمي بطاقة OpenAI ذلك هلوسة وتربطه بالتدريب ضعيف الإشراف. وتذكر أيضًا التكرار وتفاوت الدقة بين اللغات واللكنات وعدم وجود تسميات مدمجة للمتحدثين.

  1. نص مختلق. في دراسة 2024 بعنوان Careless Whisper، وجد الباحثون أن نحو 1% من النصوص التي فحصوها تضمنت عبارات أو جملًا كاملة غائبة عن الصوت. حدثت الهلوسات أكثر عند الوقفات الطويلة.
  2. حلقات التكرار. قد يكرر النموذج عبارة باستمرار. تقول البطاقة إن البحث الحزمي والعودة إلى إعدادات حرارة مختلفة يقللان ذلك إلى حد ما، لكن لا يزيلانه تمامًا.
  3. فقد أول الكلمات أو آخرها. تذكر الورقة تخطي بضع كلمات في بداية المقطع أو نهايته كحالة فشل معروفة.
  4. التسجيلات الطويلة تحتاج إلى نوافذ. لا يرى Whisper إلا 30 ثانية في المرة. للملفات الأطول تحرك أداة التفريغ النافذة باستخدام الأوقات المتوقعة، لذا قد يؤثر خطأ نافذة في التالية.
  5. لا تسميات للمتحدثين. تقول بطاقة النموذج إن فصل المتحدثين، أي تحديد من تحدث ومتى، لم يقيّم تقييمًا قويًا. تحتاج إلى أداة منفصلة.
  6. ليس مباشرًا افتراضيًا. صُمم للملفات المسجلة. تحتاج التسميات المباشرة إلى تطوير إضافي حوله.
  7. تفاوت بين اللغات واللكنات. تذكر البطاقة معدلات خطأ أعلى لبعض اللكنات واللهجات والمجموعات السكانية.

تحذر OpenAI أيضًا من تفريغ الأشخاص دون موافقتهم ومن استخدامه في قرارات عالية الخطورة.

أين تختلف المصادر الرسمية؟

تختلف بعض الأرقام بين وثائق OpenAI بسبب التقريب أو تغيّر الإصدارات. تحقق قبل الاقتباس:

الموضوع مصدر رسمي يقول مصدر آخر يقول ماذا تستخدم؟
تقليل الخطأ مقارنة بنماذج LibriSpeech الورقة: أخطاء أقل 55.2% في المتوسط إعلان OpenAI: أقل 50% اقتبس الورقة وسمّ المقارنة
لغات بيانات التدريب غير الإنجليزية الورقة: 96 لغة أخرى بطاقة النموذج: 98 لغة «نحو 99 لغة» للتعرف
ساعات تدريب الترجمة بطاقة النموذج: 126,000 الورقة: 125,000 أيهما مع وصفه بالتقريب
عدد معلمات Turbo README وHugging Face: ‏809 ملايين جدول بطاقة النموذج: ‏798 مليونًا ‏809 ملايين وفق أغلب المصادر
حجم بيانات التدريب الورقة الأصلية: 680,000 ساعة بطاقة large-v3: ‏5 ملايين ساعة سمّ الإصدار المقصود
الترخيص GitHub: ‏MIT للشفرة والأوزان بيانات large-v3 على Hugging Face: ‏Apache-2.0 تحقق من ملف ترخيص النسخة التي تنزّلها

كيف تستخدم Whisper: تشغيل محلي أو API أو تطبيق

هناك ثلاثة مسارات عملية. التشغيل المحلي مجاني ويبقي الصوت على جهازك. تزيل واجهة OpenAI إعداد النموذج لكنها تحد حجم الملف. يضيف تطبيق التفريغ المستضاف تحريرًا وتسميات وتصديرًا، لكنه خدمة لطرف آخر بشروطها.

تشغيل Whisper المفتوح محليًا واجهة تفريغ OpenAI تطبيق تفريغ مستضاف
الإعداد Python وPyTorch وFFmpeg كود ومفتاح API متصفح
التكلفة مجاني؛ تستخدم جهازك الدفع حسب الاستخدام خطة مجانية أو اشتراك حسب التطبيق
حد الملف قدرات جهازك 25 MB للملف تحدده كل خدمة
أين يذهب الصوت؟ يبقى على الكمبيوتر يُرسل إلى OpenAI يُرسل إلى خوادم التطبيق
تسميات المتحدثين غير مدمجة غير موجودة في whisper-1 حسب التطبيق
التحرير والتصدير ‏TXT وSRT وVTT وTSV وJSON من سطر الأوامر يعود إلى كودك وتبني البقية عادة محرر مع تصدير مستندات وترجمة نصية

تشغيل Whisper على الكمبيوتر

يعرض README من OpenAI أمر التثبيت وتشغيلًا أساسيًا:

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

تحتاج إلى تثبيت FFmpeg أيضًا، ويقول README إن الشفرة يفترض أن تعمل على Python 3.8 إلى 3.11. أضف --language لتحديد اللغة المنطوقة، أو --task translate مع نموذج متعدد اللغات للحصول على الإنجليزية. تُنزّل الأوزان عند أول استخدام.

استخدام واجهة OpenAI

يحدد دليل تحويل الكلام إلى نص من OpenAI حجم الرفع بـ 25 MB لكل ملف، فاضغط أو قسّم الأكبر. وفق مراجعة نوفمبر 2026، يصنف الدليل whisper-1 كطراز متقادم ويحدد إيقافه في 26 فبراير 2027، ويوجه المطورين إلى نماذج تفريغ أحدث. تلك نماذج كلام من OpenAI وليست إصدارات جديدة لعائلة Whisper المفتوحة.

استخدام تطبيق تفريغ مستضاف

إذا لم ترد تثبيت شيء، يعالج التطبيق الملفات على خوادمه. whispertranscribe.ai أحد الخيارات، ومحوّل الصوت إلى نص المجاني طريقة سريعة لتجربته. تصف صفحتنا الرئيسية whispertranscribe.ai بأنه يعتمد على Whisper وذكاء اصطناعي متقدم. وفق صفحات المنتج يقدم:

توجد مقايضات: يذهب الملف إلى خدمة سحابية بدل بقائه على جهازك. لا نقدم API أو مفردات مخصصة أو روبوت اجتماعات. تبدأ الخطط المدفوعة من 9.99 دولار شهريًا عند الدفع السنوي (الأسعار)، ويمكنك البدء مجانًا دون حساب. راجع صفحة أداة التفريغ باستخدام Whisper AI أو جميع الميزات. تنص سياسة الخصوصية على أن تفريغ ملفات الوسائط مخصص للاستخدام الشخصي غير التجاري.

هل Whisper مفتوح المصدر وماذا يسمح الترخيص؟

نعم. يذكر مستودع OpenAI أن شفرة Whisper وأوزان النموذج صدرت بترخيص MIT. وهو ترخيص متساهل يسمح عمومًا باستخدام البرامج المبنية على الشفرة ونسخها وتعديلها وبيعها، مع الاحتفاظ بإشعار حقوق النشر والترخيص.

تنبيهان: قد تحمل النسخ في مواقع أخرى بيانات ترخيص مختلفة؛ تعرض صفحة large-v3 في Hugging Face ‏Apache-2.0. اقرأ الترخيص المرفق بالنسخة التي تستخدمها. كما يغطي الترخيص البرنامج لا التسجيلات التي تدخلها؛ تظل قواعد الموافقة والخصوصية سارية على الصوت. هذه معلومات عامة وليست استشارة قانونية؛ ونص ترخيص MIT هو المصدر الرسمي.

لمن يناسب Whisper؟

يناسب Whisper المطورين ومن يرتاحون إلى الطرفية ويريدون تفريغًا مجانيًا وخاصًا وغير محدود محليًا. إذا أردت نصًا جاهزًا مع محرر وتصدير، يكون التطبيق المستضاف أسرع عادةً.

أنت... الخيار المناسب السبب
مطور يبني منتجًا Whisper المفتوح أو API تحكم كامل في سير العمل
باحث لديه مقابلات حساسة Whisper المفتوح على الجهاز لا يغادر الصوت جهازك
منشئ يحتاج ترجمة نصية هذا الأسبوع تطبيق مستضاف يصدّر SRT أو VTT دون إعداد؛ ملفات موقّتة جاهزة للرفع
مستخدم كمبيوتر محمول دون GPU نموذج صغير محليًا أو تطبيق مستضاف تحتاج النماذج الكبيرة إلى نحو 10 GB من VRAM

قائمة تحقق قبل الوثوق بتفريغ Whisper

بنينا القائمة على حالات الفشل في ورقة OpenAI وبطاقة النموذج:

  • افحص الوقفات والصمت بحثًا عن جمل لم يقلها أحد.
  • ابحث عن عبارة تتكرر عدة مرات متتالية.
  • طابق أول أسطر الملف وآخرها بالصوت.
  • تحقق من الأسماء والأرقام والمصطلحات التقنية.
  • تأكد من اكتشاف اللغة بصورة صحيحة أو حددها يدويًا.
  • للترجمة، تأكد أنك لم تستخدم turbo.
  • أضف تسميات المتحدثين بأداة منفصلة إن احتجتها.
  • احصل على الموافقة قبل تسجيل الآخرين أو تفريغهم.

الأسئلة الشائعة

هل Whisper AI مجاني؟

نعم، تنزيل OpenAI Whisper وتشغيله مجانيان. ترخص OpenAI الشفرة والأوزان بموجب MIT، لذا يمكنك استخدامها دون دفع رسوم لها. لكنك توفر الجهاز، ويحتاج النموذج الكبير إلى نحو 10 GB من ذاكرة GPU. تتقاضى الخيارات المستضافة رسومًا: واجهة OpenAI حسب الاستخدام، وتحدد تطبيقات التفريغ خططها. ولا تعني المجانية سهولة الإعداد؛ تحتاج إلى Python وFFmpeg وبعض الإلمام بسطر الأوامر.

هل يميز Whisper المتحدثين؟

ليس وحده. يكتب ما قيل لكنه لا يحدد قائله. تقول بطاقة OpenAI إن قدرات مثل فصل المتحدثين لم تُقيّم تقييمًا قويًا. للحصول على التسميات يجمع المستخدمون عادة Whisper مع أداة فصل منفصلة، أو يستخدمون تطبيقًا يضيف الميزة. مثلًا، يقدم whispertranscribe.ai خيار تحديد المتحدثين قبل التفريغ. راجع التسميات دائمًا عند تشابه الأصوات.

هل يفرغ Whisper في الوقت الفعلي؟

ليس جاهزًا لذلك. صُمم للتسجيلات ويعالجها في نوافذ من 30 ثانية، وتقول بطاقة OpenAI إنه لا يستخدم للتفريغ الفوري دون عمل إضافي. بنى المطورون أدوات شبه فورية حوله بإدخال مقاطع قصيرة عند وصولها. إذا احتجت إلى تسميات مباشرة فابحث عن أداة بوضع حي مخصص، وتوقع حاجة الناتج إلى مراجعة أكثر من نص تسجيل مكتمل.

كم لغة يدعم Whisper؟

يتعرف على نحو 99 لغة، ويسرد المرمّز الحالي 100 رمز بعد إضافة الكانتونية في large-v3. تختلف الجودة كثيرًا. تذكر بطاقة OpenAI نتائج قوية في نحو 10 لغات، ووجدت الورقة أن معظم اللغات حصلت على أقل من 1,000 ساعة تدريب. قبل الاعتماد على لغة أقل شيوعًا اختبر مقطعًا قصيرًا. أرقام المنتجات مثل أكثر من 130 لغة في whispertranscribe.ai تصف دعم المنتج لا النموذج المفتوح.

هل whispertranscribe.ai هو OpenAI Whisper نفسه؟

لا. OpenAI Whisper نموذج مفتوح المصدر تنزّله وتشغله بنفسك. whispertranscribe.ai خدمة تفريغ منفصلة عبر المتصفح؛ وتصف صفحتها الرئيسية اعتمادها على Whisper وذكاء اصطناعي متقدم. تضيف خصائص لا يتضمنها النموذج الخام، مثل رفع حتى 5GB واستيراد روابط YouTube أو Google Drive وتحديد المتحدثين وتصدير DOCX وPDF وSRT وVTT. والتطبيقات الأخرى التي تتضمن «Whisper» في أسمائها منتجات منفصلة لشركات مختلفة.

لماذا يكتب Whisper أحيانًا كلمات لم تُقل؟

لأنه يتوقع النص بطريقة نموذج لغوي. تقول بطاقة OpenAI إن التدريب على بيانات ويب كبيرة وصاخبة قد يدفعه إلى إنتاج كلمات غير موجودة في الصوت. ووفق تفسير OpenAI يمزج النموذج بين توقع الكلمة التالية وتفريغ ما يسمعه. وجدت دراسة من 2024 عبارات مختلقة كاملة في نحو 1% من النصوص التي فحصتها، وغالبًا قرب الوقفات الطويلة. راجع الوقفات والمقاطع الهادئة والمعلومات المهمة مقابل الصوت.


تريد تفريغًا باستخدام Whisper دون إعداد؟ ارفع ملفًا أو الصق رابطًا في whispertranscribe.ai واحصل على نص بأكثر من 130 لغة وتصدير DOCX وPDF وSRT وVTT.

المراجع

هل تريد تحويل تسجيلاتك إلى نص؟

حوّل الصوت والفيديو إلى نص باستخدام whispertranscribe.ai.

بدء التفريغ ↗