Από τη συντακτική ομάδα whispertranscribe.ai · Τελευταία ενημέρωση: Νοέμβριος 2026 · Χρόνος ανάγνωσης 13 λεπτά
Τι είναι το Whisper AI; Στις περισσότερες αναζητήσεις σημαίνει το OpenAI Whisper, μοντέλο αναγνώρισης ομιλίας ανοιχτού κώδικα που δημοσίευσε η OpenAI τον Σεπτέμβριο του 2022. Μετατρέπει ηχογραφημένη ομιλία σε κείμενο, εντοπίζει τη γλώσσα και μπορεί να μεταφράζει άλλες γλώσσες στα αγγλικά. Η OpenAI το εκπαίδευσε σε 680,000 ώρες διαδικτυακού ήχου και διέθεσε τον κώδικα και τα βάρη με άδεια MIT.
Μια σύντομη γνωστοποίηση: δημιουργούμε το whispertranscribe.ai. Το whispertranscribe.ai είναι διαδικτυακό εργαλείο AI που μετατρέπει ήχο και βίντεο σε κείμενο σε 130+ γλώσσες. Ο οδηγός διακρίνει καθαρά το μοντέλο από τα προϊόντα που βασίζονται σε αυτό και κάθε αριθμός για το μοντέλο προέρχεται από τη δημοσίευση, το αποθετήριο ή την κάρτα μοντέλου της OpenAI.
Σύντομη απάντηση: τι είναι το Whisper AI;
Το Whisper είναι μοντέλο ομιλίας σε κείμενο, όχι εφαρμογή ή εταιρεία. Μπορείτε να το κατεβάσετε από το αποθετήριο GitHub της OpenAI και να το εκτελέσετε στον υπολογιστή σας ή να χρησιμοποιήσετε υπηρεσία που το εκτελεί για εσάς.
- Δημιουργός: OpenAI. Η ερευνητική δημοσίευση Robust Speech Recognition via Large-Scale Weak Supervision αναρτήθηκε στο arXiv στις 6 Δεκεμβρίου 2022.
- Τι κάνει: απομαγνητοφωνεί ομιλία, εντοπίζει γλώσσα, μεταφράζει ομιλία στα αγγλικά και προσθέτει χρονικές ενδείξεις τμημάτων.
- Τι δεν κάνει έτοιμο: δεν επισημαίνει ποιος μιλά ούτε απομαγνητοφωνεί ζωντανά. Η κάρτα μοντέλου της OpenAI αναφέρει ότι δεν μπορεί να χρησιμοποιηθεί απευθείας για απομαγνητοφώνηση σε πραγματικό χρόνο.
- Μεγέθη: έξι, από tiny (39 εκατομμύρια παράμετροι) έως large (1,550 εκατομμύρια).
- Κόστος: δωρεάν λήψη και εκτέλεση. Παρέχετε τον εξοπλισμό.
Το «Whisper AI» μπορεί να σημαίνει τρία διαφορετικά πράγματα
Το όνομα χρησιμοποιείται χαλαρά και οι τρεις σημασίες συγχέονται εύκολα.
| Τι ονομάζεται «Whisper AI» | Τι είναι | Δημιουργός | Πώς χρησιμοποιείται |
|---|---|---|---|
| OpenAI Whisper | Μοντέλο αναγνώρισης ομιλίας ανοιχτού κώδικα | OpenAI | Κατεβάζετε κώδικα και βάρη και τα εκτελείτε μόνοι σας |
| whisper-1 | Μοντέλο API απομαγνητοφώνησης που φιλοξενεί η OpenAI | OpenAI | Στέλνετε αρχεία ήχου στο API της OpenAI και πληρώνετε ανά χρήση |
| Εφαρμογές με «Whisper» στο όνομα | Προϊόντα απομαγνητοφώνησης όπως whisperai.com και whispertranscribe.ai (αυτός ο ιστότοπος) | Ξεχωριστές εταιρείες | Ανεβάζετε ή ηχογραφείτε ήχο στις εφαρμογές τους |
Τα προϊόντα της τρίτης γραμμής δεν είναι το ίδιο το μοντέλο ούτε είναι εναλλάξιμα. Κάθε εταιρεία ορίζει λειτουργίες, όρια, τιμές και όρους απορρήτου. Στο άρθρο «Whisper» σημαίνει το μοντέλο της OpenAI.
Πώς λειτουργεί το Whisper;
Το Whisper είναι Transformer κωδικοποιητή-αποκωδικοποιητή. Ο κωδικοποιητής μετατρέπει 30 δευτερόλεπτα ήχου σε αριθμητική αναπαράσταση και ο αποκωδικοποιητής γράφει το αντίστοιχο κείμενο ένα token τη φορά, καθοδηγούμενος από ειδικά token που ορίζουν την εργασία.
Η δημοσίευση Whisper περιγράφει τη διαδικασία:
- Επαναδειγματοληψία. Ο ήχος μετατρέπεται σε 16,000 Hz.
- Διαχωρισμός σε παράθυρα 30 δευτερολέπτων. Το μοντέλο βλέπει κάθε φορά 30 δευτερόλεπτα. Τα μικρότερα αποσπάσματα συμπληρώνονται.
- Δημιουργία φασματογραφήματος. Κάθε παράθυρο γίνεται log-Mel φασματογράφημα 80 καναλιών, εικόνα της μεταβολής της ηχητικής ενέργειας ανά συχνότητα, υπολογισμένο σε πλαίσια 25 χιλιοστών του δευτερολέπτου κάθε 10 χιλιοστά. (Το large-v3 άλλαξε σε 128 κανάλια.)
- Κωδικοποίηση. Δύο συνελικτικά επίπεδα και μια στοίβα μπλοκ Transformer επεξεργάζονται το φασματογράφημα.
- Αποκωδικοποίηση. Ο αποκωδικοποιητής προβλέπει πρώτα τη γλώσσα ή token «χωρίς ομιλία». Ακολουθούν η εργασία (απομαγνητοφώνηση ή μετάφραση), η επιλογή χρονικών ενδείξεων και τέλος το ίδιο το κείμενο.
Οι χρόνοι προβλέπονται επίσης ως token, στρογγυλοποιημένοι στα πλησιέστερα 20 χιλιοστά του δευτερολέπτου. Έτσι ένα μοντέλο χειρίζεται εντοπισμό γλώσσας, απομαγνητοφώνηση, μετάφραση και χρονισμό.
Σε τι εκπαιδεύτηκε το Whisper;
Τα αρχικά μοντέλα έμαθαν από 680,000 ώρες διαδικτυακού ήχου με αντίστοιχα κείμενα. Η OpenAI το ονομάζει «ασθενή επίβλεψη», επειδή τα κείμενα δεν ελέγχθηκαν χειροκίνητα όπως τα σύνολα αναφοράς.
| Μερίδιο ήχου εκπαίδευσης | Ώρες | Περιεχόμενο |
|---|---|---|
| Περίπου 65% | 438,000 | Αγγλικός ήχος με αγγλικά κείμενα |
| Περίπου 18% | 126,000 | Μη αγγλικός ήχος με αγγλικά κείμενα (δεδομένα μετάφρασης) |
| Περίπου 17% | 117,000 | Μη αγγλικός ήχος με κείμενα στην ίδια γλώσσα |
Πηγή: κάρτα μοντέλου Whisper της OpenAI. Η δημοσίευση στρογγυλοποιεί το μερίδιο μετάφρασης σε 125,000 ώρες.
Δύο λεπτομέρειες εξηγούν τη συμπεριφορά του Whisper. Η OpenAI αφαίρεσε κείμενα που έμοιαζαν μηχανικά, όπως μόνο κεφαλαία, ώστε το μοντέλο να μάθει προτάσεις με στίξη. Τα πρώτα μοντέλα έτειναν να μαντεύουν ονόματα ομιλητών επειδή πολλά διαδικτυακά κείμενα τα περιείχαν. Η OpenAI περιόρισε τη συνήθεια με πρόσθετη εκπαίδευση, αλλά δείχνει πόσο στενά αντικατοπτρίζει το μοντέλο τα δεδομένα του.
Το large-v3 εκπαιδεύτηκε διαφορετικά, σε περίπου 5 εκατομμύρια ώρες: 1 εκατομμύριο με ασθενείς διαδικτυακές ετικέτες και 4 εκατομμύρια επισημασμένες από large-v2, σύμφωνα με την κάρτα μοντέλου Hugging Face.
Σύγκριση μεγεθών μοντέλου Whisper
Το Whisper διατίθεται σε έξι μεγέθη. Τα μικρότερα τρέχουν γρηγορότερα σε μέτριο εξοπλισμό· τα μεγαλύτερα κάνουν λιγότερα λάθη αλλά χρειάζονται περισσότερη μνήμη βίντεο (VRAM). Οι αριθμοί προέρχονται από το README της OpenAI.
| Μέγεθος | Παράμετροι | Έκδοση μόνο αγγλικά | Πολυγλωσσική έκδοση | Απαιτούμενη VRAM | Ταχύτητα σε σχέση με 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 | Καμία | large | ~10 GB | 1x |
| turbo | 809 M | Καμία | turbo | ~6 GB | ~8x |
Η OpenAI μέτρησε τις ταχύτητες σε αγγλική ομιλία με GPU κέντρου δεδομένων A100 και λέει ότι η πραγματική ταχύτητα μπορεί να διαφέρει σημαντικά. Ένας φορητός υπολογιστής θα είναι βραδύτερος.
Ποιο μοντέλο Whisper να επιλέξετε;
Ξεκινήστε από τη διαθέσιμη μνήμη και τη χρήση του κειμένου:
- Δοκιμή σε βασικό υπολογιστή: tiny ή base, περίπου 1 GB VRAM. Αναμένετε περισσότερα λάθη.
- Μόνο αγγλικά: χρησιμοποιήστε μοντέλο
.en. Η OpenAI αναφέρει ότι αποδίδουν καλύτερα, ιδίως tiny και base. - Καλή ποιότητα με εύλογη ταχύτητα: turbo, περίπου 6 GB. Είναι η προεπιλογή γραμμής εντολών.
- Μετάφραση ομιλίας στα αγγλικά: medium ή large. Το turbo δεν εκπαιδεύτηκε για μετάφραση και επιστρέφει την αρχική γλώσσα ακόμη κι αν ζητηθεί μετάφραση.
- Δυσκολότερος ήχος, καλύτερο δυνατό αποτέλεσμα: large, περίπου 10 GB VRAM.
Εκδόσεις Whisper: σύντομο χρονολόγιο
Το «large» καλύπτει τρεις εκδόσεις και το turbo είναι μικρότερο large-v3. Η έκδοση έχει σημασία επειδή τα αποτελέσματα διαφέρουν ανά checkpoint.
| Έκδοση | Κυκλοφορία | Αλλαγές |
|---|---|---|
| Αρχικά μοντέλα (tiny έως large) | Σεπτέμβριος 2022 | Πρώτη κυκλοφορία ανοιχτού κώδικα με τη δημοσίευση |
| large-v2 | Δεκέμβριος 2022 | Ίδιο μέγεθος, εκπαίδευση 2.5 φορές μεγαλύτερη με πρόσθετη κανονικοποίηση |
| large-v3 | Νοέμβριος 2023 | 128 κανάλια Mel, νέο token καντονέζικων, 10% έως 20% λιγότερα λάθη από v2 σε πολλές γλώσσες |
| turbo (large-v3-turbo) | Σεπτέμβριος 2024 | Τα επίπεδα αποκωδικοποιητή μειώθηκαν από 32 σε 4 για ταχύτητα· χωρίς μετάφραση |
Πηγές: κάρτα μοντέλου Whisper, υποσημείωση της δημοσίευσης για large-v2 και κάρτες Hugging Face για large-v3 και large-v3-turbo.
Πόσες γλώσσες υποστηρίζει το Whisper;
Το Whisper αναγνωρίζει περίπου 99 γλώσσες. Ο ανιχνευτής γλώσσας της δημοσίευσης χρησιμοποίησε 99 γλωσσικά token και ο σημερινός tokenizer παραθέτει 100 κωδικούς αφού το large-v3 πρόσθεσε καντονέζικα. Η υποστήριξη δεν ισοδυναμεί με ποιότητα: η κάρτα μοντέλου αναφέρει ισχυρά αποτελέσματα σε περίπου 10 γλώσσες.
Η ποιότητα ακολουθεί τα δεδομένα εκπαίδευσης. Η δημοσίευση βρήκε ότι η απόδοση μιας γλώσσας προβλέπεται πολύ καλά από τις ώρες της που είδε το μοντέλο και οι περισσότερες είχαν κάτω από 1,000 ώρες. Αγγλικά, ισπανικά ή γερμανικά συνήθως παράγουν καθαρότερο αποτέλεσμα από γλώσσα με λίγους πόρους. Το README συνδέει διάγραμμα σφαλμάτων ανά γλώσσα.
Μην το συγχέετε με τους αριθμούς προϊόντων. Το whispertranscribe.ai υποστηρίζει 130+ γλώσσες. Αυτό αφορά την υποστήριξη του προϊόντος μας (η σελίδα τιμών αναφέρει «130+ γλώσσες και προφορές»), όχι το ανοιχτό μοντέλο Whisper.
Πόσο ακριβές είναι το Whisper;
Δεν υπάρχει ένας αριθμός ακρίβειας, επειδή εξαρτάται από το μέγεθος μοντέλου, τη γλώσσα και την ηχογράφηση. Σε καθαρή ανάγνωση αγγλικών το large-v2 είχε ποσοστό σφάλματος λέξεων (WER) 2.7%. Ο μέσος όρος σε 14 αγγλικά σύνολα, τα περισσότερα δυσκολότερα, ήταν 12.8%.
Το WER είναι το ποσοστό λανθασμένων λέξεων, με αντικαταστάσεις, παραλείψεις και προσθήκες, σε σύγκριση με ανθρώπινο κείμενο αναφοράς. Χαμηλότερο είναι καλύτερο. Τα στοιχεία προέρχονται από τον Πίνακα 2 της δημοσίευσης, που συγκρίνει το Whisper large-v2 με μοντέλο wav2vec 2.0 εκπαιδευμένο στο σύνολο audiobook LibriSpeech:
| Σύνολο δοκιμής | WER wav2vec 2.0 | WER Whisper large-v2 |
|---|---|---|
| LibriSpeech clean (ανάγνωση audiobook) | 2.7% | 2.7% |
| Common Voice (ηχογράφηση από πλήθος) | 29.9% | 9.0% |
| CHiME-6 (θορυβώδεις συζητήσεις δείπνου) | 65.8% | 25.5% |
| Μέσος όρος και των 14 συνόλων του πίνακα | 29.3% | 12.8% |
Το μοτίβο έχει σημασία. Τα δύο ισοβαθμούν στην ανάγνωση, αλλά το Whisper αντέχει καλύτερα στα υπόλοιπα, με 55.2% λιγότερα σφάλματα κατά μέσο όρο. Η ανακοίνωση της OpenAI το στρογγυλοποιεί σε 50%. Στις δοκιμές θορύβου, τα μοντέλα εκπαιδευμένα στο LibriSpeech ξεπέρασαν το Whisper σε σχεδόν καθαρό ήχο αλλά υστέρησαν όταν ο θόρυβος τύπου παμπ δυνάμωσε, κάτω από λόγο σήματος προς θόρυβο 10 dB.
Αυτά είναι ερευνητικά αποτελέσματα, όχι υπόσχεση για τα αρχεία σας, και οι ισχυρισμοί προϊόντων είναι ξεχωριστοί. Το whispertranscribe.ai, για παράδειγμα, φτάνει έως 99% σε καθαρό ήχο και ο θόρυβος, οι επικαλύψεις και οι έντονες προφορές μειώνουν την ακρίβεια.
Ποιοι είναι οι περιορισμοί του Whisper;
Η κύρια αδυναμία του Whisper είναι ότι μπορεί να γράψει ομαλό κείμενο που δεν είπε κανείς. Η κάρτα μοντέλου το ονομάζει παραισθήσεις και το συνδέει με την ασθενώς επιβλεπόμενη εκπαίδευση. Αναφέρει επίσης επαναλήψεις, άνιση ακρίβεια μεταξύ γλωσσών και προφορών και απουσία ενσωματωμένων ετικετών ομιλητών.
- Επινοημένο κείμενο. Σε μελέτη του 2024, Careless Whisper, οι ερευνητές βρήκαν ότι περίπου 1% των ελεγμένων κειμένων περιείχαν ολόκληρες φράσεις ή προτάσεις που απουσίαζαν από τον ήχο. Οι παραισθήσεις ήταν συχνότερες σε μεγάλες παύσεις.
- Βρόχοι επανάληψης. Το μοντέλο μπορεί να επαναλαμβάνει μια φράση. Beam search και temperature fallback το μειώνουν ως έναν βαθμό, όχι πλήρως, αναφέρει η κάρτα.
- Πρώτες ή τελευταίες λέξεις που λείπουν. Η δημοσίευση αναφέρει παράλειψη λίγων λέξεων στην αρχή ή στο τέλος τμήματος ως γνωστή αστοχία.
- Οι μακρές ηχογραφήσεις χρειάζονται παράθυρα. Το Whisper βλέπει 30 δευτερόλεπτα τη φορά. Για μεγαλύτερα αρχεία το εργαλείο μετακινεί το παράθυρο βάσει προβλεπόμενων χρόνων, οπότε λάθος σε ένα μπορεί να επηρεάσει το επόμενο.
- Χωρίς ετικέτες ομιλητών. Ο διαχωρισμός του ποιος μίλησε πότε δεν αξιολογήθηκε επαρκώς, σύμφωνα με την κάρτα. Χρειάζεται ξεχωριστό εργαλείο.
- Όχι πραγματικός χρόνος από προεπιλογή. Δημιουργήθηκε για ηχογραφημένα αρχεία. Τα ζωντανά captions χρειάζονται πρόσθετη υλοποίηση.
- Άνιση απόδοση ανά γλώσσα και προφορά. Η κάρτα σημειώνει υψηλότερα σφάλματα για ορισμένες προφορές, διαλέκτους και δημογραφικές ομάδες.
Η OpenAI προειδοποιεί επίσης να μην απομαγνητοφωνούνται άνθρωποι χωρίς συγκατάθεση και να μη χρησιμοποιείται για αποφάσεις υψηλού κινδύνου.
Πού διαφωνούν οι επίσημες πηγές
Ορισμένοι αριθμοί διαφέρουν μεταξύ εγγράφων της OpenAI, κυρίως λόγω στρογγυλοποίησης ή αλλαγής έκδοσης. Ελέγξτε πριν παραθέσετε αριθμό:
| Θέμα | Μία επίσημη πηγή | Άλλη πηγή | Τι να χρησιμοποιήσετε |
|---|---|---|---|
| Μείωση σφαλμάτων έναντι μοντέλων LibriSpeech | Δημοσίευση: 55.2% λιγότερα κατά μέσο όρο | Ανακοίνωση OpenAI: 50% λιγότερα | Παραθέστε τη δημοσίευση και ονομάστε τη σύγκριση |
| Γλώσσες εκπαίδευσης εκτός αγγλικών | Δημοσίευση: 96 άλλες | Κάρτα μοντέλου: 98 γλώσσες | «Περίπου 99 γλώσσες» για αναγνώριση |
| Ώρες εκπαίδευσης μετάφρασης | Κάρτα: 126,000 | Δημοσίευση: 125,000 | Οποιοδήποτε ως προσεγγιστικό |
| Παράμετροι turbo | README και Hugging Face: 809 M | Πίνακας κάρτας: 798 M | 809 M, ο αριθμός των περισσότερων πηγών |
| Μέγεθος δεδομένων εκπαίδευσης | Αρχική δημοσίευση: 680,000 ώρες | Κάρτα large-v3: 5 εκατομμύρια ώρες | Ονομάστε την έκδοση |
| Άδεια | GitHub: MIT για κώδικα και βάρη | Μεταδεδομένα large-v3 στο Hugging Face: Apache-2.0 | Ελέγξτε το αρχείο άδειας του αντιγράφου που κατεβάζετε |
Πώς χρησιμοποιείται το Whisper: τοπικά, με API ή εφαρμογή
Υπάρχουν τρεις πρακτικές επιλογές. Η τοπική εκτέλεση είναι δωρεάν και κρατά τον ήχο στον υπολογιστή. Το API της OpenAI αφαιρεί την εγκατάσταση αλλά περιορίζει το μέγεθος. Μια φιλοξενούμενη εφαρμογή προσθέτει επεξεργασία, ετικέτες και εξαγωγές, αλλά είναι υπηρεσία τρίτου με δικούς της όρους.
| Εκτέλεση Whisper ανοιχτού κώδικα | API απομαγνητοφώνησης OpenAI | Φιλοξενούμενη εφαρμογή | |
|---|---|---|---|
| Εγκατάσταση | Python, PyTorch και FFmpeg | Κώδικας και κλειδί API | Περιηγητής |
| Κόστος | Δωρεάν· δικός σας εξοπλισμός | Πληρωμή ανά χρήση | Δωρεάν πακέτο ή συνδρομή, ανά εφαρμογή |
| Όρια αρχείου | Ο εξοπλισμός σας | 25 MB ανά αρχείο | Καθορίζονται από την εφαρμογή |
| Πού πηγαίνει ο ήχος | Μένει στον υπολογιστή | Στέλνεται στην OpenAI | Στέλνεται στους διακομιστές της εφαρμογής |
| Ετικέτες ομιλητών | Δεν ενσωματώνονται | Όχι στο whisper-1 | Εξαρτάται από την εφαρμογή |
| Επεξεργασία και εξαγωγές | TXT, SRT, VTT, TSV, JSON από γραμμή εντολών | Επιστρέφει στον κώδικά σας· δημιουργείτε τα υπόλοιπα | Συνήθως επεξεργαστής και εξαγωγή εγγράφων και υποτίτλων |
Εκτέλεση Whisper στον υπολογιστή σας
Το README της OpenAI δίνει την εντολή εγκατάστασης και ένα βασικό παράδειγμα:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Χρειάζεται επίσης εγκατεστημένο FFmpeg και το README αναφέρει ότι ο κώδικας πρέπει να λειτουργεί σε Python 3.8 έως 3.11. Προσθέστε --language για τη γλώσσα ή --task translate με πολυγλωσσικό μοντέλο για αγγλικά. Τα βάρη κατεβαίνουν στην πρώτη χρήση. Οι εντολές παρατίθενται από την τεκμηρίωση· το Whisper CLI δεν ήταν εγκατεστημένο για δοκιμή εδώ.
Χρήση του API της OpenAI
Ο οδηγός ομιλίας σε κείμενο της OpenAI περιορίζει τις αποστολές σε 25 MB ανά αρχείο, οπότε συμπιέστε ή χωρίστε μεγαλύτερα. Όπως ελέγχθηκε τον Νοέμβριο του 2026, ο οδηγός χαρακτηρίζει το whisper-1 καταργούμενο και δίνει ημερομηνία τερματισμού 26 Φεβρουαρίου 2027, παραπέμποντας σε νεότερα μοντέλα απομαγνητοφώνησης. Αυτά είναι μοντέλα ομιλίας της OpenAI, όχι νέες εκδόσεις της ανοιχτής οικογένειας Whisper.
Χρήση φιλοξενούμενης εφαρμογής
Αν δεν θέλετε εγκατάσταση, μια φιλοξενούμενη εφαρμογή επεξεργάζεται τα αρχεία στους διακομιστές της. Το whispertranscribe.ai είναι μία επιλογή και ο δωρεάν μετατροπέας ήχου σε κείμενο είναι γρήγορος τρόπος δοκιμής. Η αρχική μας σελίδα περιγράφει το whispertranscribe.ai ως «powered by Whisper and next-generation AI». Από τις σελίδες προϊόντος προσφέρει:
- Αποστολή ήχου ή βίντεο έως 5GB και 10 ώρες ή επικόλληση YouTube, Vimeo, Google Drive, Dropbox στο Transcribe from URL.
- 130+ γλώσσες με ενεργοποιούμενη ανίχνευση ομιλητών.
- Ζωντανή απομαγνητοφώνηση από μικρόφωνο και εγγραφή και απομαγνητοφώνηση στον περιηγητή, με την απαιτούμενη συγκατάθεση και άδεια διοργανωτή πριν την εγγραφή.
- Εξαγωγή DOCX, PDF, SRT, VTT, TXT και CSV, μαζί με υπότιτλους από τη γεννήτρια υποτίτλων AI.
- Μετάφραση ήχου στα αγγλικά για μη αγγλικές ηχογραφήσεις.
Οι συμβιβασμοί είναι πραγματικοί. Το αρχείο πηγαίνει σε υπηρεσία cloud αντί να παραμένει στον υπολογιστή. Δεν προσφέρουμε API, προσαρμοσμένο λεξιλόγιο ή bot συναντήσεων. Τα πακέτα αρχίζουν από $9.99/μήνα με ετήσια χρέωση (τιμές) και μπορείτε να ξεκινήσετε δωρεάν χωρίς λογαριασμό. Δείτε το εργαλείο απομαγνητοφώνησης Whisper AI ή όλες τις λειτουργίες.
Είναι το Whisper ανοιχτού κώδικα και τι επιτρέπει η άδεια;
Ναι. Το αποθετήριο της OpenAI δηλώνει ότι ο κώδικας και τα βάρη του Whisper διατίθενται με άδεια MIT. Η MIT είναι επιτρεπτική άδεια. Γενικά επιτρέπει χρήση, αντιγραφή, τροποποίηση και πώληση λογισμικού βασισμένου στον κώδικα, αρκεί να διατηρούνται η ειδοποίηση πνευματικών δικαιωμάτων και άδειας.
Δύο επισημάνσεις. Αντίγραφα σε άλλους ιστότοπους μπορεί να έχουν διαφορετικά μεταδεδομένα άδειας· η σελίδα large-v3 του Hugging Face αναφέρει Apache-2.0. Διαβάστε την άδεια του αντιγράφου που χρησιμοποιείτε. Επίσης η άδεια καλύπτει το λογισμικό, όχι τις ηχογραφήσεις που εισάγετε. Οι κανόνες συγκατάθεσης και απορρήτου εξακολουθούν να ισχύουν. Πρόκειται για γενική ενημέρωση, όχι νομική συμβουλή· το κείμενο άδειας MIT είναι η επίσημη πηγή.
Για ποιους είναι το Whisper;
Το Whisper ταιριάζει σε προγραμματιστές και όσους χρησιμοποιούν άνετα τερματικό και θέλουν δωρεάν, ιδιωτική, απεριόριστη απομαγνητοφώνηση. Αν θέλετε έτοιμο κείμενο με επεξεργαστή και εξαγωγές, μια φιλοξενούμενη εφαρμογή είναι συνήθως γρηγορότερη.
| Είστε… | Κατάλληλη επιλογή | Γιατί |
|---|---|---|
| Προγραμματιστής προϊόντος | Whisper ανοιχτού κώδικα ή API | Πλήρης έλεγχος διαδικασίας |
| Ερευνητής με ευαίσθητες συνεντεύξεις | Whisper ανοιχτού κώδικα τοπικά | Ο ήχος δεν φεύγει από το μηχάνημα |
| Δημιουργός που χρειάζεται υπότιτλους αυτή την εβδομάδα | Φιλοξενούμενη εφαρμογή με SRT ή VTT | Χωρίς εγκατάσταση· αρχεία χρονισμού έτοιμα για αποστολή |
| Χρήστης φορητού χωρίς GPU | Μικρό μοντέλο τοπικά ή φιλοξενούμενη εφαρμογή | Τα μεγάλα μοντέλα χρειάζονται περίπου 10 GB VRAM |
Πριν εμπιστευτείτε κείμενο Whisper: λίστα ελέγχου
Δημιουργήσαμε τη λίστα από τις αστοχίες στη δημοσίευση και την κάρτα μοντέλου της OpenAI:
- Ελέγξτε παύσεις και σιωπές για προτάσεις που δεν ειπώθηκαν.
- Αναζητήστε ίδια φράση επαναλαμβανόμενη πολλές φορές.
- Ελέγξτε τις πρώτες και τελευταίες γραμμές με τον ήχο.
- Επαληθεύστε ονόματα, αριθμούς και τεχνικούς όρους.
- Επιβεβαιώστε τον εντοπισμό γλώσσας ή ορίστε τη χειροκίνητα.
- Για μετάφραση βεβαιωθείτε ότι δεν χρησιμοποιήσατε turbo.
- Προσθέστε ετικέτες ομιλητών με ξεχωριστό εργαλείο αν χρειάζονται.
- Λάβετε την απαιτούμενη συγκατάθεση πριν ηχογραφήσετε ή απομαγνητοφωνήσετε άλλους και την άδεια του διοργανωτή όπου χρειάζεται· μην παρακάμπτετε απαγόρευση εγγραφής.
Συχνές ερωτήσεις
Είναι δωρεάν το Whisper AI;
Ναι, το OpenAI Whisper είναι δωρεάν για λήψη και εκτέλεση. Η OpenAI διαθέτει κώδικα και βάρη με MIT, οπότε δεν την πληρώνετε για χρήση. Παρέχετε όμως υπολογιστή και το large χρειάζεται περίπου 10 GB μνήμης GPU. Οι φιλοξενούμενες επιλογές κοστίζουν: το API χρεώνει ανά χρήση και οι εφαρμογές έχουν δικά τους πακέτα. «Δωρεάν» δεν σημαίνει εύκολο· χρειάζεστε Python, FFmpeg και εξοικείωση με γραμμή εντολών.
Μπορεί το Whisper να αναγνωρίσει διαφορετικούς ομιλητές;
Όχι μόνο του. Το Whisper γράφει τι ειπώθηκε αλλά δεν επισημαίνει ποιος το είπε. Η κάρτα της OpenAI λέει ότι δυνατότητες όπως ο διαχωρισμός ομιλητών δεν αξιολογήθηκαν επαρκώς. Για ετικέτες συνδυάζεται συνήθως με ξεχωριστό εργαλείο ή χρησιμοποιείται εφαρμογή με ανίχνευση. Το whispertranscribe.ai, για παράδειγμα, έχει επιλογή ανίχνευσης πριν την απομαγνητοφώνηση. Ελέγχετε τις ετικέτες όταν οι φωνές μοιάζουν.
Μπορεί το Whisper να απομαγνητοφωνεί σε πραγματικό χρόνο;
Όχι απευθείας. Σχεδιάστηκε για ηχογραφημένο ήχο και τον επεξεργάζεται σε παράθυρα 30 δευτερολέπτων· η κάρτα της OpenAI λέει ότι χρειάζεται πρόσθετη εργασία για πραγματικό χρόνο. Προγραμματιστές δημιούργησαν εργαλεία σχεδόν πραγματικού χρόνου δίνοντάς του μικρά τμήματα καθώς φτάνουν. Για ζωντανά captions αναζητήστε ειδική λειτουργία και αναμένετε περισσότερες διορθώσεις από ένα ολοκληρωμένο αρχείο.
Πόσες γλώσσες υποστηρίζει το Whisper;
Αναγνωρίζει περίπου 99 γλώσσες και ο τρέχων tokenizer παραθέτει 100 κωδικούς μετά την προσθήκη καντονέζικων στο large-v3. Η ποιότητα ποικίλλει πολύ. Η κάρτα της OpenAI αναφέρει ισχυρά αποτελέσματα σε περίπου 10 γλώσσες και η δημοσίευση βρήκε ότι οι περισσότερες είχαν κάτω από 1,000 ώρες εκπαίδευσης. Πριν βασιστείτε σε λιγότερο κοινή γλώσσα, δοκιμάστε σύντομο απόσπασμα. Αριθμοί προϊόντων όπως οι 130+ γλώσσες του whispertranscribe.ai αφορούν την υποστήριξη του προϊόντος, όχι το ανοιχτό μοντέλο.
Είναι το whispertranscribe.ai ίδιο με το OpenAI Whisper;
Όχι. Το OpenAI Whisper είναι μοντέλο ανοιχτού κώδικα που κατεβάζετε και εκτελείτε μόνοι σας. Το whispertranscribe.ai είναι ξεχωριστή υπηρεσία στον περιηγητή· η αρχική σελίδα το περιγράφει ως βασισμένο σε Whisper και AI επόμενης γενιάς. Προσθέτει δυνατότητες που δεν έχει το ακατέργαστο μοντέλο, όπως αποστολή έως 5GB, εισαγωγή από YouTube ή Google Drive, ανίχνευση ομιλητών και εξαγωγή DOCX, PDF, SRT και VTT. Άλλες εφαρμογές με «Whisper» στο όνομα είναι ξεχωριστά προϊόντα διαφορετικών εταιρειών.
Γιατί το Whisper γράφει μερικές φορές λέξεις που δεν ειπώθηκαν;
Επειδή προβλέπει κείμενο όπως ένα γλωσσικό μοντέλο. Η κάρτα της OpenAI λέει ότι η εκπαίδευση σε μεγάλα, θορυβώδη διαδικτυακά δεδομένα οδηγεί μερικές φορές σε λέξεις που δεν υπάρχουν στον ήχο. Η OpenAI εξηγεί ότι συνδυάζει πρόβλεψη της επόμενης πιθανής λέξης με απομαγνητοφώνηση όσων ακούει. Μελέτη του 2024 βρήκε επινοημένες φράσεις περίπου στο 1% των κειμένων που έλεγξε, συχνότερα γύρω από μεγάλες παύσεις. Ελέγξτε παύσεις, σιωπές και σημαντικά σημεία με τον ήχο.
Θέλετε κείμενο Whisper χωρίς εγκατάσταση; Ανεβάστε αρχείο ή επικολλήστε σύνδεσμο στο whispertranscribe.ai και λάβετε κείμενο σε 130+ γλώσσες, με εξαγωγές DOCX, PDF, SRT και VTT.
Αναφορές
- OpenAI: Παρουσίαση του Whisper (21 Σεπτεμβρίου 2022)
- Radford και συνεργάτες: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Αποθετήριο Whisper GitHub και README, κάρτα μοντέλου και άδεια MIT
- Hugging Face: κάρτα μοντέλου openai/whisper-large-v3
- Τεκμηρίωση OpenAI API: Οδηγός ομιλίας σε κείμενο (έλεγχος Νοέμβριος 2026)
- Koenecke και συνεργάτες: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
