От редакционния екип на whispertranscribe.ai · Последна актуализация: ноември 2026 г. · 13 минути четене
Какво е Whisper AI? Най-често това означава OpenAI Whisper — модел за разпознаване на реч с отворен код, публикуван през септември 2022 г. Той превръща записана реч в текст, разпознава говоримия език и може да превежда други езици на английски. OpenAI го обучава върху 680 000 часа уеб аудио и публикува кода и теглата с MIT лиценз.
Уточнение: ние създаваме whispertranscribe.ai. whispertranscribe.ai е уеб AI инструмент, който превръща аудио и видео в текст на 130+ езика. Това ръководство ясно разграничава модела от продуктите около него; всички числа за модела са от статията, хранилището или моделната карта на OpenAI.
Кратък отговор: какво е Whisper AI?
Whisper е модел реч към текст, не приложение или компания. Може да го изтеглите от хранилището на OpenAI в GitHub и да го изпълните сами, или да използвате услуга, която го прави вместо вас.
- Създател: OpenAI. Статията Robust Speech Recognition via Large-Scale Weak Supervision е публикувана в arXiv на 6 декември 2022 г.
- Какво прави: транскрибира реч, разпознава езика, превежда реч на английски и добавя времена на сегментите.
- Какво не прави готов за употреба: обозначаване на говорители или транскрипция на живо. Моделната карта казва, че не може да се използва директно за транскрипция в реално време.
- Размери: шест, от tiny (39 милиона параметъра) до large (1 550 милиона).
- Цена: безплатно изтегляне и изпълнение. Осигурявате хардуера.
„Whisper AI“ може да означава три различни неща
Името се употребява широко и значенията лесно се объркват.
| Какво се нарича „Whisper AI“ | Какво е | Кой го създава | Как се използва |
|---|---|---|---|
| OpenAI Whisper | Модел за разпознаване на реч с отворен код | OpenAI | Изтегляте код и тегла и ги изпълнявате сами |
| whisper-1 | Хостван API модел за транскрипция на OpenAI | OpenAI | Изпращате файлове към API и плащате според употребата |
| Приложения с „Whisper“ в името | Продукти за транскрипция като whisperai.com и whispertranscribe.ai (този сайт) | Отделни компании | Качвате или записвате аудио в приложенията |
Продуктите в третия ред не са самият модел и не са взаимозаменяеми. Всяка компания определя функции, ограничения, цени и поверителност. В статията „Whisper“ означава модела на OpenAI.
Как работи Whisper?
Whisper е encoder-decoder Transformer. Енкодерът превръща 30 секунди аудио в числово представяне, а декодерът записва съответния текст токен по токен, управляван от специални токени за задачата.
Статията за Whisper описва процеса:
- Промяна на честотата. Аудиото се преобразува до 16 000 Hz.
- Прозорци от 30 секунди. Моделът винаги вижда 30 секунди; по-късите клипове се допълват.
- Спектрограма. Всеки прозорец става 80-канална log-Mel спектрограма — картина на енергията по честоти, изчислявана върху 25-милисекундни кадри на всеки 10 милисекунди. (Large-v3 преминава към 128 канала.)
- Кодиране. Два конволюционни слоя и Transformer блокове обработват спектрограмата.
- Декодиране. Първо се предвижда езикът или токен „няма реч“, после задачата (транскрипция или превод), нуждата от времена и накрая текстът.
Времевите маркери също се предвиждат като токени, закръглени до най-близките 20 милисекунди. Така един модел обработва език, транскрипция, превод и време.
Върху какво е обучен Whisper?
Оригиналните модели учат от 680 000 часа интернет аудио със съответни транскрипти. OpenAI го нарича „слаб надзор“, защото текстовете не са проверявани ръчно като бенчмарк наборите.
| Дял от обучителното аудио | Часове | Съдържание |
|---|---|---|
| Около 65% | 438 000 | Английски звук с английски транскрипти |
| Около 18% | 126 000 | Неанглийски звук с английски транскрипти (данни за превод) |
| Около 17% | 117 000 | Неанглийски звук с транскрипти на същия език |
Източник: моделна карта на Whisper. Статията закръгля преводните данни на 125 000 часа.
Две подробности обясняват поведението. OpenAI филтрира машинно изглеждащи транскрипти, например изцяло с главни букви, затова моделът учи пунктуация. Ранни модели също предполагат имена на говорители, защото много уеб транскрипти ги съдържат. OpenAI намалява този навик с фина настройка, но той показва влиянието на обучителния текст.
Large-v3 е обучен различно, върху около 5 милиона часа: 1 милион със слаби уеб етикети и 4 милиона, обозначени от large-v2, според моделната карта в Hugging Face.
Сравнение на размерите на Whisper
Има шест размера. Малките работят по-бързо на скромен хардуер; големите грешат по-малко, но изискват повече видеопамет (VRAM). Данните са от README на OpenAI.
| Размер | Параметри | Само английски | Многоезичен | Нужна VRAM | Скорост спрямо large |
|---|---|---|---|---|---|
| tiny | 39 M | tiny.en | tiny | ~1 GB | ~10x |
| base | 74 M | base.en | base | ~1 GB | ~7x |
| small | 244 M | small.en | small | ~2 GB | ~4x |
| medium | 769 M | medium.en | medium | ~5 GB | ~2x |
| large | 1550 M | Няма | large | ~10 GB | 1x |
| turbo | 809 M | Няма | turbo | ~6 GB | ~8x |
OpenAI измерва скоростта на английска реч с A100 GPU за центрове за данни и казва, че реалната скорост може значително да варира. Лаптоп ще е по-бавен.
Кой модел да изберете?
Изходете от паметта и целта:
- Проба на обикновена машина: tiny или base, около 1 GB VRAM. Очаквайте повече грешки.
- Само английски: използвайте
.enмодел. Според OpenAI те са по-добри, особено tiny и base. - Добро качество и разумна скорост: turbo, около 6 GB. Той е стандартен за командния ред.
- Превод на реч на английски: medium или large. Turbo не е обучен за превод и връща оригиналния език дори при такава заявка.
- Най-труден звук и най-добър възможен резултат: large, около 10 GB VRAM.
Версии на Whisper: кратка хронология
„Large“ обхваща три издания, а turbo е олекотен large-v3. Версията има значение, защото резултатите се различават.
| Версия | Публикувана | Промяна |
|---|---|---|
| Оригинални модели (tiny до large) | Септември 2022 | Първо отворено издание със статията |
| large-v2 | Декември 2022 | Същият размер, 2,5 пъти по-дълго обучение с допълнителна регуляризация |
| large-v3 | Ноември 2023 | 128 Mel канала, нов кантонски токен, 10–20% по-малко грешки от v2 в много езици |
| turbo (large-v3-turbo) | Септември 2024 | Декодерни слоеве от 32 на 4 за скорост; без превод |
Източници: моделната карта, бележката под линия за large-v2 и картите в Hugging Face за large-v3 и large-v3-turbo.
Колко езика поддържа Whisper?
Whisper разпознава около 99 езика. Езиковият детектор в статията използва 99 езикови токена, а настоящият токенизатор изброява 100 кода след добавянето на кантонски в large-v3. Поддръжката не е равна на качество: моделната карта отчита силни резултати на около 10 езика.
Качеството следва обучителните данни. Статията установява, че броят часове за език силно предсказва резултата и че повечето езици имат под 1 000 часа. Английски, испански или немски обикновено дават по-чист резултат от език с малко данни. README свързва графика на грешките по език.
Не бъркайте това с броя в продукт. whispertranscribe.ai поддържа 130+ езика. Това е продуктова поддръжка (ценовата страница казва „130+ languages & accents“), не свойство на отворения модел Whisper.
Колко точен е Whisper?
Няма една стойност за точност: зависи от размера, езика и записа. При чист прочетен английски large-v2 постига 2,7% ниво на грешки в думите (WER). Средно за 14 английски тестови набора, повечето по-трудни, резултатът е 12,8%.
WER е делът заменени, пропуснати или добавени думи спрямо човешки референтен транскрипт. По-ниско е по-добре. Данните са от таблица 2 на статията, която сравнява Whisper large-v2 с wav2vec 2.0, обучен върху аудиокнигите LibriSpeech:
| Тестов набор | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (прочетени аудиокниги) | 2,7% | 2,7% |
| Common Voice (записи от доброволци) | 29,9% | 9,0% |
| CHiME-6 (шумни вечери) | 65,8% | 25,5% |
| Средно за всички 14 набора в таблицата | 29,3% | 12,8% |
Важна е тенденцията. Двата модела са равни при аудиокнигите, но Whisper се справя по-добре при останалото с 55,2% по-малко грешки средно. OpenAI закръгля до 50%. В тестовете с шум моделите, обучени на LibriSpeech, побеждават при почти чист звук, но изостават при силен шум като в заведение, под 10 dB отношение сигнал–шум.
Това са научни бенчмаркове, не обещание за вашия файл; продуктовите твърдения са отделни. Например whispertranscribe.ai достига до 99% точност при чист звук, а шум, припокриване и силни акценти я намаляват.
Какви са ограниченията на Whisper?
Основната слабост е, че може да напише гладък текст, който никой не е казал. Моделната карта го нарича халюцинация и го свързва със слабо контролираното обучение. Посочва и повторение, неравномерна точност по език и акцент и липса на вградени говорители.
- Халюциниран текст. В изследването от 2024 г. Careless Whisper учените намират цели фрази или изречения, липсващи в аудиото, в около 1% от проверените транскрипти. По-често се случва при дълги паузи.
- Цикли на повторение. Моделът може да заседне в повтаряне. Beam search и temperature fallback го намаляват донякъде според картата, но не напълно.
- Липсващи първи или последни думи. Статията посочва пропускане на първите или последни думи на сегмент като известен проблем.
- Дългите записи изискват прозорци. Whisper вижда по 30 секунди. При по-дълъг файл инструментът мести прозореца по предвидени маркери, така че грешка в един може да повлияе следващия.
- Няма говорители. Диаризацията — кой кога говори — не е надеждно оценена според картата. Необходим е отделен инструмент.
- Не е в реално време по подразбиране. Създаден е за записи. Живите надписи изискват допълнителна разработка.
- Неравномерност по език и акцент. Моделната карта отбелязва повече грешки за някои акценти, диалекти и демографски групи.
OpenAI предупреждава и срещу транскрибиране без съгласие и използване за високорискови решения.
Къде официалните източници се разминават
Някои стойности се различават между документите на OpenAI, най-вече заради закръгляне или версии. Проверете преди цитиране:
| Тема | Един официален източник | Друг | Какво да използвате |
|---|---|---|---|
| Намаляване на грешки спрямо LibriSpeech модели | Статия: средно 55,2% по-малко | Съобщение на OpenAI: 50% | Цитирайте статията и назовете сравнението |
| Езици освен английски в обучението | Статия: 96 други | Моделна карта: 98 езика | „Около 99 езика“ за разпознаване |
| Часове за превод | Моделна карта: 126 000 | Статия: 125 000 | Всяка стойност с уточнение, че е приблизителна |
| Параметри на turbo | README и Hugging Face: 809 M | Моделна карта: 798 M | 809 M, използвана от повече източници |
| Обучителни данни | Оригинална статия: 680 000 часа | Карта на large-v3: 5 милиона часа | Назовете версията |
| Лиценз | GitHub: MIT за код и тегла | Hugging Face large-v3 метаданни: Apache-2.0 | Проверете лиценза на изтегленото копие |
Как да използвате Whisper: локално, през API или приложение
Има три практически подхода. Локалното изпълнение е безплатно и пази аудиото на машината. API на OpenAI премахва настройката, но ограничава файла. Хоствано приложение добавя редакция, говорители и експорт, но е външна услуга със собствени условия.
| Отворен Whisper локално | API на OpenAI | Хоствано приложение | |
|---|---|---|---|
| Настройка | Python, PyTorch и FFmpeg | Код и API ключ | Браузър |
| Цена | Безплатно; ваш хардуер | Плащане според употребата | Безплатно ниво или абонамент според приложението |
| Файлови лимити | Вашият хардуер | 25 MB на файл | Определят се от приложението |
| Къде отива звукът | Остава на компютъра | Изпраща се на OpenAI | Изпраща се на сървърите на приложението |
| Говорители | Не са вградени | Няма в whisper-1 | Зависи от приложението |
| Редакция и експорт | TXT, SRT, VTT, TSV, JSON от командния ред | Връща се към кода; останалото изграждате сами | Обикновено редактор плюс документи и субтитри |
Изпълнение на Whisper на собствен компютър
README на OpenAI дава инсталация и основно изпълнение:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Нужен е и FFmpeg; README казва, че кодът трябва да работи с Python 3.8 до 3.11. Добавете --language за говоримия език или --task translate с многоезичен модел за английски. Теглата се изтеглят при първа употреба. Whisper CLI не е инсталиран или тестван тук.
Използване на API на OpenAI
Ръководството за реч към текст на OpenAI ограничава качването до 25 MB на файл; по-големите компресирайте или разделете. При проверката през ноември 2026 г. то отбелязва whisper-1 като изведен от употреба с дата на спиране 26 февруари 2027 г. и насочва към по-нови модели. Те са речеви модели на OpenAI, не нови версии на отвореното семейство Whisper.
Използване на хоствано приложение
Ако не искате инсталация, хостваното приложение обработва файловете на сървъри. whispertranscribe.ai е една възможност, а безплатният конвертор аудио към текст е бърза проба. Началната страница описва whispertranscribe.ai като задвижван от Whisper и AI от следващо поколение. Продуктовите ни страници посочват:
- Качване на аудио или видео до 5 GB и 10 часа или YouTube, Vimeo, Google Drive или Dropbox връзка в Transcribe from URL.
- 130+ езика с включваемо разпознаване на говорители.
- Транскрипция на живо от микрофона и запис и транскрипция в браузъра. Преди запис получете необходимите съгласия и разрешението на организатора.
- Експорт в DOCX, PDF, SRT, VTT, TXT и CSV, включително субтитри от AI генератора.
- Превод на аудио на английски за чуждоезични записи.
Има компромиси. Файлът отива в облачна услуга вместо да остане на компютъра. Не предлагаме API, собствен речник или бот за срещи. Платените планове започват от $9.99/месец годишно (цени), а безплатното начало не изисква акаунт. Вижте Whisper AI инструмента или всички функции.
Whisper с отворен код ли е и какво позволява лицензът?
Да. Хранилището на OpenAI казва, че кодът и теглата са публикувани с MIT лиценз. MIT е разрешителен лиценз. Като цяло позволява използване, копиране, промяна и продажба на софтуер, изграден върху кода, ако запазите уведомлението за авторско право и лиценз.
Две предупреждения. Копия в други сайтове може да имат различни лицензионни метаданни; страницата на Hugging Face за large-v3 посочва Apache-2.0. Прочетете лиценза на използваното копие. Лицензът покрива софтуера, не записите, които подавате. Правилата за съгласие и поверителност продължават да важат. Това е обща информация, не правен съвет; официалният източник е текстът на MIT лиценза.
За кого е Whisper?
Whisper е подходящ за разработчици и хора, които работят уверено с терминал и искат безплатна, поверителна, неограничена транскрипция. Ако искате готов текст с редактор и експорт, хоствано приложение обикновено е по-бързо.
| Вие сте… | Подходящ избор | Защо |
|---|---|---|
| Разработчик на продукт | Отворен Whisper или API | Пълен контрол върху процеса |
| Изследовател с чувствителни интервюта | Отворен Whisper локално | Аудиото не напуска машината |
| Създател, който се нуждае от субтитри тази седмица | Хоствано приложение със SRT или VTT | Без настройка; готови синхронизирани файлове |
| Човек с лаптоп без GPU | Малък локален модел или хоствано приложение | Големите модели искат около 10 GB VRAM |
Контролен списък преди да се доверите на Whisper
Изградихме списъка от проблемите в статията и моделната карта на OpenAI:
- Проверете паузите и тишината за неизказани изречения.
- Потърсете фрази, повторени няколко пъти подред.
- Проверете първите и последните редове спрямо аудиото.
- Проверете имена, числа и технически термини.
- Потвърдете правилния език или го задайте ръчно.
- За превод се уверете, че не сте използвали turbo.
- При нужда добавете говорители с отделен инструмент.
- Преди запис или транскрибиране на други хора получете необходимите съгласия и разрешението на организатора.
Често задавани въпроси
Безплатен ли е Whisper AI?
Да, OpenAI Whisper се изтегля и изпълнява безплатно. OpenAI лицензира кода и теглата под MIT и не плащате на OpenAI за използването им. Вие осигурявате компютъра, а large иска около 10 GB GPU памет. Хостваните варианти струват пари: API на OpenAI таксува според употребата, а приложенията имат свои планове. Безплатно не значи лесно: нужни са Python, FFmpeg и работа с командния ред.
Може ли Whisper да идентифицира различни говорители?
Не самостоятелно. Whisper пише казаното, но не обозначава кой го е казал. Моделната карта казва, че диаризацията не е надеждно оценена. За говорители обикновено се комбинира с отделен инструмент или се използва приложение с тази функция. whispertranscribe.ai например предлага включваемо разпознаване. Проверявайте етикетите при сходни гласове.
Може ли Whisper да транскрибира на живо?
Не директно. Whisper е създаден за записи и работи в 30-секундни прозорци; моделната карта на OpenAI казва, че реалното време изисква допълнителна работа. Разработчици са създали почти реалновременни инструменти с подаване на кратки части. За живи надписи търсете специален режим и очаквайте повече корекция, отколкото при готов запис.
Колко езика поддържа Whisper?
Разпознава около 99 езика; настоящият токенизатор има 100 кода след добавянето на кантонски в large-v3. Качеството варира. Моделната карта отчита силни резултати на около 10 езика, а статията казва, че повечето имат под 1 000 часа обучение. При рядък език първо тествайте откъс. Продуктови стойности като 130+ езика на whispertranscribe.ai описват продукта, не отворения модел.
whispertranscribe.ai същото ли е като OpenAI Whisper?
Не. OpenAI Whisper е отворен модел, който изтегляте и изпълнявате сами. whispertranscribe.ai е отделна браузърна услуга; началната страница я описва като задвижвана от Whisper и AI от следващо поколение. Тя добавя качване до 5 GB, YouTube или Google Drive връзки, говорители и DOCX, PDF, SRT и VTT експорт. Другите приложения с „Whisper“ са отделни продукти на различни компании.
Защо Whisper понякога пише неизказани думи?
Защото предвижда текст като езиков модел. Моделната карта на OpenAI казва, че обучението върху големи шумни уеб данни понякога води до думи, които не са в аудиото. Обяснението на OpenAI е, че предвиждането на следваща вероятна дума се смесва с транскрипцията. Изследване от 2024 г. намира измислени фрази в около 1% от проверените транскрипти, по-често около дълги паузи. Проверявайте паузите, тишината и важното спрямо звука.
Искате Whisper транскрипт без настройка? Качете файл или поставете връзка в whispertranscribe.ai и получете текст на 130+ езика с DOCX, PDF, SRT и VTT експорт.
Източници
- OpenAI: Introducing Whisper (21 септември 2022 г.)
- Radford и съавтори: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Whisper GitHub хранилище и README, моделна карта и MIT лиценз
- Hugging Face: openai/whisper-large-v3 моделна карта
- OpenAI API документация: Ръководство за реч към текст (проверено през ноември 2026 г.)
- Koenecke и съавтори: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
