whispertranscribe.ai toimetus · Viimati uuendatud novembris 2026 · 13 minutit lugemist
Mis on Whisper AI? Enamik otsinguid viitab OpenAI Whisperile, avatud lähtekoodiga kõnetuvastusmudelile, mille OpenAI avaldas 2022. aasta septembris. See muudab salvestatud kõne tekstiks, tuvastab kõnekeele ja suudab tõlkida teisi keeli inglise keelde. OpenAI õpetas seda 680 000 tunni veebiheli peal ning avaldas koodi ja mudelikaalud MIT-litsentsi alusel.
Lühike avaldus: meie loome teenust whispertranscribe.ai. whispertranscribe.ai on veebipõhine AI-transkriptsioonitööriist, mis muudab heli ja video tekstiks enam kui 130 keeles. Selles juhendis eristame selgelt mudelit ja selle ümber loodud tooteid; kõik mudeli kohta käivad arvud pärinevad OpenAI teadustööst, repositooriumist või mudelikaardilt.
Kiire vastus: mis on Whisper AI?
Whisper on kõnest tekstiks mudel, mitte rakendus ega ettevõte. Võid selle OpenAI GitHubi repositooriumist alla laadida ja oma arvutis käivitada või kasutada teenust, mis teeb seda sinu eest.
- Looja: OpenAI. Teadustöö Robust Speech Recognition via Large-Scale Weak Supervision avaldati arXivis 6. detsembril 2022.
- Mida see teeb: transkribeerib kõnet, tuvastab keele, tõlgib kõne inglise keelde ja lisab segmentide ajatemplid.
- Mida see kohe ei tee: ei märgista kõnelejaid ega transkribeeri reaalajas. OpenAI mudelikaardi järgi ei saa seda reaalajatranskriptsiooniks kasutada ilma lisatööta.
- Suurused: kuus, alates tiny-mudelist (39 miljonit parameetrit) kuni large'ini (1 550 miljonit).
- Hind: allalaadimine ja käivitamine on tasuta; riistvara pead ise tagama.
„Whisper AI” võib tähendada kolme eri asja
Nime kasutatakse vabalt ja neid kolme tähendust on lihtne segi ajada.
| Mida nimetatakse „Whisper AI-ks” | Mis see on | Kes selle teeb | Kuidas kasutada |
|---|---|---|---|
| OpenAI Whisper | Avatud lähtekoodiga kõnetuvastusmudel | OpenAI | Laadi kood ja kaalud alla ning käivita ise |
| whisper-1 | OpenAI hostitud transkriptsiooni API-mudel | OpenAI | Saada helifailid OpenAI API-sse ja maksa kasutuse eest |
| Rakendused, mille nimes on „Whisper” | Transkriptsioonitooted, nagu whisperai.com ja whispertranscribe.ai (see sait) | Eraldi ettevõtted | Laadi või salvesta heli nende rakendustes |
Kolmanda rea tooted ei ole mudel ise ega ole omavahel asendatavad. Iga ettevõte määrab oma funktsioonid, piirangud, hinnad ja privaatsustingimused. Selles artiklis tähendab „Whisper” OpenAI mudelit.
Kuidas Whisper töötab?
Whisper on encoder-decoder Transformer. Encoder muudab 30 sekundit heli arvuliseks esituseks ja decoder kirjutab vastava teksti ühe tokeni kaupa, juhindudes ülesannet määravatest eritokenitest.
Whisperi teadustöö kirjeldab järgmist protsessi:
- Ümberdiskreetimine. Heli teisendatakse 16 000 Hz peale.
- Jagamine 30-sekundilisteks akendeks. Mudel vaatleb korraga alati 30 sekundit. Lühemaid klippe täiendatakse.
- Spektrogrammi loomine. Iga aken muutub 80-kanaliliseks log-Meli spektrogrammiks, mis näitab helienergia muutust sageduste lõikes; arvutuses kasutatakse 25-millisekundilisi kaadreid iga 10 millisekundi järel. Large-v3 läks üle 128 kanalile.
- Kodeerimine. Kaks konvolutsioonikihti ja Transformeri plokkide jada töötlevad spektrogrammi.
- Dekodeerimine. Decoder ennustab kõigepealt keele või „kõnet pole” tokeni. Seejärel valitakse ülesanne, transkribeerimine või tõlkimine, ajatemplite lisamine ja lõpuks tekst ise.
Ka ajatemplid ennustatakse tokenitena, ümardatuna lähima 20 millisekundini. Nii ühendab üks mudel keeletuvastuse, transkriptsiooni, tõlke ja ajastuse.
Millel Whisperit õpetati?
Algmudelid õppisid 680 000 tunnist internetihelidest koos vastavate transkriptidega. OpenAI nimetab seda nõrgaks juhendamiseks, sest transkripte ei kontrollitud käsitsi nagu võrdlusandmestikke.
| Õppeheli osakaal | Tunnid | Sisu |
|---|---|---|
| Umbes 65% | 438 000 | Ingliskeelne heli ingliskeelsete transkriptidega |
| Umbes 18% | 126 000 | Muu keele heli ingliskeelsete transkriptidega (tõlkeandmed) |
| Umbes 17% | 117 000 | Muu keele heli samakeelsete transkriptidega |
Allikas: OpenAI Whisperi mudelikaart. Teadustöö ümardab tõlkeosa 125 000 tunnile.
Kaks asjaolu selgitavad Whisperi käitumist. OpenAI eemaldas masinlikuna näivad transkriptid, näiteks ainult suurtähtedes teksti, mistõttu mudel õppis kirjutama kirjavahemärkidega lauseid. Varased mudelid kippusid ka kõnelejate nimesid arvama, sest paljud veebitranskriptid sisaldasid neid. OpenAI vähendas seda harjumust järelõppega, kuid see näitab, kui tihedalt mudel õppeandmeid peegeldab.
Large-v3 õpetati teisiti, umbes 5 miljoni tunni peal: 1 miljon nõrkade veebisiltidega ja 4 miljonit large-v2 märgistatud tundi, vastavalt selle Hugging Face'i mudelikaardile.
Whisperi mudelisuuruste võrdlus
Whisperil on kuus suurust. Väiksemad mudelid töötavad tagasihoidlikul riistvaral kiiremini; suuremad teevad vähem vigu, kuid vajavad rohkem videomälu (VRAM). Arvud pärinevad OpenAI README-st.
| Suurus | Parameetrid | Ainult ingliskeelne versioon | Mitmekeelne versioon | Vajalik VRAM | Kiirus võrreldes large'iga |
|---|---|---|---|---|---|
| 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 | Puudub | large | ~10 GB | 1x |
| turbo | 809 M | Puudub | turbo | ~6 GB | ~8x |
OpenAI mõõtis kiirust ingliskeelse kõnega A100 andmekeskuse GPU-l ja ütleb, et tegelik kiirus võib märkimisväärselt erineda. Sülearvuti on aeglasem.
Milline Whisperi mudel valida?
Lähtu olemasolevast mälust ja transkripti otstarbest:
- Testimine lihtsal arvutil: tiny või base, umbes 1 GB VRAM-i. Oota rohkem vigu.
- Ainult inglise keel: kasuta
.enmudelit. OpenAI järgi on need paremad, eriti tiny ja base. - Hea kvaliteet mõistliku kiirusega: turbo, umbes 6 GB. See on käsurea vaikevalik.
- Kõne tõlkimine inglise keelde: medium või large. Turbot ei ole õpetatud tõlkima ja see tagastab algkeele ka tõlkepäringu korral.
- Kõige raskem heli ja parim võimalik tulemus: large, umbes 10 GB VRAM-i.
Whisperi versioonid: lühike ajajoon
„Large” hõlmab kolme väljalaset ja turbo on vähendatud large-v3. Versioon on oluline, sest tulemused erinevad mudeliversiooni järgi.
| Versioon | Välja antud | Mis muutus |
|---|---|---|
| Algmudelid (tiny kuni large) | September 2022 | Esimene avatud lähtekoodiga väljalase koos teadustööga |
| large-v2 | Detsember 2022 | Sama suurus, 2.5 korda pikem õpe lisaregulariseerimisega |
| large-v3 | November 2023 | 128 Meli kanalit, uus kantoni keele token, 10% kuni 20% vähem vigu kui v2 paljudes keeltes |
| turbo (large-v3-turbo) | September 2024 | Decoderi kihid vähendati kiiruse huvides 32-lt 4-le; tõlget pole |
Allikad: Whisperi mudelikaart, teadustöö large-v2 joonealune märkus ja Hugging Face'i kaardid large-v3 ning large-v3-turbo kohta.
Kui paljusid keeli Whisper toetab?
Whisper tuvastab umbes 99 keelt. Teadustöö keeletuvastaja kasutas 99 keeletokenit ning praegune tokenizer loetleb pärast kantoni keele lisamist large-v3-s 100 keelekoodi. Toetus ei tähenda võrdset kvaliteeti: mudelikaardi järgi on tugevad tulemused umbes 10 keeles.
Kvaliteet järgib õppeandmeid. Töö leidis, et keele tulemus on tugevalt seotud selle keele õppetundide arvuga ja enamikul keeltest oli alla 1 000 tunni. Inglise, hispaania või saksa keeles on tulemus tavaliselt puhtam kui väheste andmetega keeles. README viitab keelepõhisele veagraafikule.
Ära aja seda segi toote keelte arvuga. whispertranscribe.ai toetab enam kui 130 keelt. See on meie toote keeletoetus; hinnaleht ütleb „130+ languages & accents”. See ei ole avatud lähtekoodiga Whisperi mudeli omadus.
Kui täpne on Whisper?
Ühtainsat täpsusarvu pole, sest see sõltub mudeli suurusest, keelest ja salvestisest. Puhta loetud inglise keele korral oli large-v2 sõnaveamäär (WER) 2.7%. Neljateistkümne ingliskeelse, enamasti raskema testandmestiku keskmine oli 12.8%.
WER on inimese kontrollitud võrdlustranskriptiga võrreldud valede sõnade osakaal, arvestades asendatud, välja jäetud ja lisatud sõnu. Väiksem on parem. Arvud pärinevad teadustöö tabelist 2, kus Whisper large-v2 võrreldakse LibriSpeechi audioraamatutel õpetatud wav2vec 2.0 mudeliga:
| Testandmestik | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (loetud audioraamatud) | 2.7% | 2.7% |
| Common Voice (vabatahtlike salvestatud kõne) | 29.9% | 9.0% |
| CHiME-6 (mürased õhtusöögisalvestised) | 65.8% | 25.5% |
| Kõigi 14 tabeli testandmestiku keskmine | 29.3% | 12.8% |
Oluline on muster. Audioraamatute testis on mudelid võrdsed, kuid mujal peab Whisper paremini vastu ja teeb keskmiselt 55.2% vähem vigu. OpenAI ümardab selle teadaandes 50%-ni. Mürauuringus võitsid LibriSpeechil õpetatud mudelid Whisperit peaaegu puhta heli puhul, kuid jäid maha valju pubimüra korral alla 10 dB signaali-müra suhte.
Need on teaduslikud võrdlustestid, mitte lubadus sinu failidele; tooteväited on eraldi. Näiteks whispertranscribe.ai saavutab puhta heli korral kuni 99% täpsuse, mida taustamüra, kõnelejate kattumine ja tugev aktsent vähendavad.
Millised on Whisperi piirangud?
Peamine nõrkus on sujuva teksti kirjutamine, mida keegi ei öelnud. OpenAI mudelikaart nimetab seda hallutsinatsiooniks ja seostab nõrgalt juhendatud õppega. Samuti mainitakse kordamist, ebaühtlast täpsust eri keeltes ja aktsentides ning kõnelejamärgiste puudumist.
- Hallutsineeritud tekst. 2024. aasta uuringus Careless Whisper leidsid teadlased, et umbes 1% kontrollitud transkriptidest sisaldas terveid helis puudunud fraase või lauseid. Pikemate kõnepauside korral juhtus seda sagedamini.
- Kordussilmused. Mudel võib jääda fraasi kordama. Mudelikaardi järgi vähendavad beam search ja temperature fallback seda mõnevõrra, kuid mitte täielikult.
- Puuduvad esimesed või viimased sõnad. Teadustöö loetleb segmendi algus- või lõpusõnade vahelejätmise tuntud probleemina.
- Pikad salvestised vajavad akendamist. Whisper näeb korraga 30 sekundit. Pikema faili korral nihutab transkribeerimistööriist akent ennustatud ajatemplite põhjal, nii et ühe akna viga võib mõjutada järgmist.
- Kõnelejamärgised puuduvad. Mudelikaardi järgi ei hinnatud diariseerimist ehk kes ja millal rääkis põhjalikult. Selleks on vaja eraldi tööriista.
- Vaikimisi mitte reaalajas. Mudel on loodud salvestatud failide jaoks. Reaalajas subtiitrid vajavad lisaarendust.
- Keele ja aktsendi järgi ebaühtlane. Mudelikaart märgib kõrgemat veamäära mõne aktsendi, murde ja demograafilise rühma puhul.
OpenAI hoiatab ka inimeste ilma nõusolekuta transkribeerimise ja suure riskiga otsustamiseks kasutamise eest.
Kus ametlikud allikad erinevad?
Mõned OpenAI dokumentide arvud erinevad, peamiselt ümardamise või versioonimuutuste tõttu. Kontrolli enne tsiteerimist:
| Teema | Üks ametlik allikas | Teine allikas | Mida kasutada |
|---|---|---|---|
| Vigade vähenemine LibriSpeechi mudelitega võrreldes | Teadustöö: keskmiselt 55.2% vähem vigu | OpenAI teadaanne: 50% vähem vigu | Tsiteeri teadustööd ja nimeta võrdlus |
| Muud õppekeeled peale inglise | Teadustöö: 96 muud keelt | Mudelikaart: 98 keelt | „Umbes 99 keelt” tuvastamiseks |
| Tõlkeõppe tunnid | Mudelikaart: 126 000 | Teadustöö: 125 000 | Kumbki, kui see on märgitud ligikaudseks |
| Turbo parameetrite arv | README ja Hugging Face: 809 M | Mudelikaardi tabel: 798 M | 809 M, mida enamik allikaid kasutab |
| Õppeandmete suurus | Algne teadustöö: 680 000 tundi | Large-v3 kaart: 5 miljonit tundi | Nimeta konkreetne versioon |
| Litsents | GitHub: kood ja kaalud MIT | Hugging Face'i large-v3 metaandmed: Apache-2.0 | Kontrolli allalaaditud koopia litsentsifaili |
Kuidas Whisperit kasutada: käivita ise, kasuta API-t või rakendust
On kolm praktilist võimalust. Whisperi enda arvutis käivitamine on tasuta ja heli jääb arvutisse. OpenAI API ei nõua seadistamist, kuid piirab faili suurust. Hostitud transkriptsioonirakendus lisab redaktori, kõnelejamärgised ja ekspordi, kuid on oma tingimustega kolmanda osapoole teenus.
| Avatud lähtekoodiga Whisper ise | OpenAI transkriptsiooni API | Hostitud transkriptsioonirakendus | |
|---|---|---|---|
| Seadistamine | Python, PyTorch ja FFmpeg | Kood ja API-võti | Brauser |
| Hind | Tasuta; enda riistvara | Kasutuspõhine tasu | Tasuta tase või tellimus, sõltub rakendusest |
| Failipiirang | Sinu riistvara | 25 MB faili kohta | Rakenduse määratud |
| Kuhu heli läheb | Jääb sinu arvutisse | Saadetakse OpenAI-le | Saadetakse rakenduse serveritesse |
| Kõnelejamärgised | Ei ole sisseehitatud | Mitte whisper-1-s | Sõltub rakendusest |
| Redigeerimine ja eksport | TXT, SRT, VTT, TSV, JSON käsurealt | Tagastatakse sinu koodi; ülejäänu ehitad ise | Tavaliselt redaktor ning dokumendi- ja subtiitrieksport |
Käivita Whisper oma arvutis
OpenAI README annab paigalduskäsu ja põhikäivituse:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Vaja on ka FFmpegi ning README järgi peaks kood töötama Python 3.8 kuni 3.11-ga. Lisa --language kõnekeele määramiseks või --task translate koos mitmekeelse mudeliga ingliskeelse tulemuse saamiseks. Mudelikaalud laaditakse alla esimesel kasutusel.
Kasuta OpenAI API-t
OpenAI kõnest tekstiks juhend piirab üleslaadimise 25 MB-ga faili kohta, nii et suuremad failid tuleb tihendada või jagada. Novembris 2026 kontrollides märkis juhend whisper-1 aegunuks ja nimetas sulgemiskuupäevaks 26. veebruari 2027, suunates arendajad uuemate transkriptsioonimudelite juurde. Need uuemad mudelid on OpenAI kõnemudelid, mitte avatud lähtekoodiga Whisperi pere uued väljalasked.
Kasuta hostitud transkriptsioonirakendust
Kui ei soovi midagi paigaldada, töötleb hostitud rakendus faile oma serverites. whispertranscribe.ai on üks võimalus ning selle tasuta heli tekstiks muundur on kiire proovimisviis. Meie avaleht kirjeldab whispertranscribe.ai-d Whisperi ja järgmise põlvkonna AI toel toimivana. Meie tootelehtede järgi pakub see:
- Heli- või videofailide üleslaadimist kuni 5GB ja 10 tundi või YouTube'i, Vimeo, Google Drive'i või Dropboxi lingi sisestamist tööriista Transcribe from URL.
- Enam kui 130 keelt ja valikulist kõnelejate tuvastamist.
- Reaalajatranskriptsiooni mikrofonist ning salvestamist ja transkribeerimist brauseris.
- Eksporti DOCX, PDF, SRT, VTT, TXT ja CSV vormingusse, sealhulgas AI-subtiitrite generaatori abil loodud subtiitreid.
- Heli tõlkimist inglise keelde muukeelsete salvestiste jaoks.
Kompromissid on reaalsed. Fail läheb pilveteenusesse, mitte ei jää arvutisse. Me ei paku API-t, kohandatud sõnavara ega koosolekurobotit. Tasulised paketid algavad $9.99 kuus aastase arveldusega (hinnad) ja võid alustada tasuta ilma kontota. Üksikasjad on lehtedel Whisper AI transcription tool ja kõik funktsioonid.
Kas Whisper on avatud lähtekoodiga ja mida litsents lubab?
Jah. OpenAI repositooriumi järgi on Whisperi kood ja mudelikaalud avaldatud MIT-litsentsi alusel. MIT on lubav litsents: üldiselt võib koodil põhinevat tarkvara kasutada, kopeerida, muuta ja müüa, kui autoriõiguse ja litsentsi teade säilitatakse.
Kaks tähelepanekut. Muude saitide koopiatel võivad olla teistsugused litsentsi metaandmed; Hugging Face'i large-v3 leht loetleb Apache-2.0. Loe kasutatava koopiaga kaasas olevat litsentsi. Litsents hõlmab tarkvara, mitte sellele antavaid salvestisi. Helile kehtivad endiselt nõusoleku- ja privaatsusreeglid. See on üldteave, mitte õigusnõuanne; ametlik allikas on MIT-litsentsi tekst.
Kellele Whisper sobib?
Whisper sobib arendajatele ja terminali kasutada oskavatele inimestele, kes soovivad tasuta, privaatset ja kindla mahupiiranguta transkriptsiooni. Kui vajad valmis transkripti koos redaktori ja ekspordiga, on hostitud rakendus tavaliselt kiirem.
| Oled… | Sobiv valik | Miks |
|---|---|---|
| Toodet arendav arendaja | Avatud lähtekoodiga Whisper või API | Täielik kontroll töövoo üle |
| Tundlike intervjuudega uurija | Kohalikult käivitatud Whisper | Heli ei lahku arvutist |
| Looja, kes vajab sel nädalal subtiitreid | Hostitud rakendus SRT- või VTT-ekspordiga | Seadistamist pole; ajastatud failid on üleslaadimiseks valmis |
| Sülearvuti kasutaja ilma GPU-ta | Väike kohalik mudel või hostitud rakendus | Suured mudelid vajavad umbes 10 GB VRAM-i |
Enne Whisperi transkripti usaldamist: kontrollnimekiri
Koostasime nimekirja OpenAI teadustöös ja mudelikaardil kirjeldatud veavormide põhjal:
- Kontrolli pause ja vaikseid lõike lausete suhtes, mida keegi ei öelnud.
- Otsi sama fraasi mitut järjestikust kordust.
- Võrdle faili esimesi ja viimaseid ridu heliga.
- Kontrolli nimesid, numbreid ja erialatermineid.
- Veendu, et keel tuvastati õigesti, või määra see käsitsi.
- Tõlkimisel veendu, et ei kasutanud turbot.
- Vajaduse korral lisa kõnelejamärgised eraldi tööriistaga.
- Hangi nõusolek enne teiste inimeste salvestamist või transkribeerimist.
Korduma kippuvad küsimused
Kas Whisper AI on tasuta?
Jah, OpenAI Whisperi saab tasuta alla laadida ja käivitada. OpenAI litsentsib koodi ja kaalud MIT alusel, nii et nende kasutamise eest OpenAI-le ei maksta. Arvuti tagad ise ja large-mudel vajab umbes 10 GB GPU-mälu. Hostitud võimalused maksavad: OpenAI API võtab kasutuspõhist tasu ja transkriptsioonirakendused määravad oma paketid. „Tasuta” ei tähenda ka lihtsat: vajad Pythoni, FFmpegi ja mõningast käsureaoskust.
Kas Whisper eristab kõnelejaid?
Mitte iseseisvalt. Whisper kirjutab öeldu, kuid ei märgista ütlejat. OpenAI mudelikaardi järgi ei hinnatud selliseid võimeid nagu kõnelejate diariseerimine põhjalikult. Märgiste saamiseks ühendatakse Whisper tavaliselt eraldi diariseerimistööriistaga või kasutatakse kõnelejatuvastusega rakendust. Näiteks whispertranscribe.ai võimaldab tuvastuse enne transkribeerimist sisse lülitada. Sarnaste häältega salvestistel kontrolli märgiseid alati.
Kas Whisper saab transkribeerida reaalajas?
Mitte ilma lisatööta. Whisper loodi salvestatud heli jaoks ja töötleb seda 30-sekundiliste akendena; OpenAI mudelikaart ütleb, et ilma lisaarenduseta ei saa seda reaalajatranskriptsiooniks kasutada. Arendajad on loonud peaaegu reaalajas tööriistu, sisestades saabumisel lühikesi lõike. Reaalajas subtiitrite jaoks otsi eraldi režiimiga tööriista ja arvesta suurema järelparandusega kui valmis salvestise transkripti puhul.
Kui paljusid keeli Whisper toetab?
Whisper tunneb ära umbes 99 keelt ja praegune tokenizer loetleb 100 keelekoodi pärast kantoni keele lisamist large-v3-s. Kvaliteet varieerub tugevalt. OpenAI mudelikaart näitab tugevaid tulemusi umbes 10 keeles ning teadustöö järgi oli enamikul keeltest alla 1 000 tunni õppeheli. Vähem levinud keele puhul testi esmalt lühikest klippi. Toote arvud, näiteks whispertranscribe.ai enam kui 130 keelt, kirjeldavad toote, mitte avatud lähtekoodiga mudeli tuge.
Kas whispertranscribe.ai on sama mis OpenAI Whisper?
Ei. OpenAI Whisper on avatud lähtekoodiga mudel, mille saad ise alla laadida ja käivitada. whispertranscribe.ai on eraldi brauseripõhine transkriptsiooniteenus; selle avaleht kirjeldab Whisperi ja järgmise põlvkonna AI kasutamist. See lisab algmudelis puuduvad funktsioonid, näiteks kuni 5GB üleslaadimise, YouTube'i või Google Drive'i lingi impordi, kõnelejatuvastuse ja DOCX, PDF, SRT ning VTT ekspordi. Muud „Whisperi” nimelised rakendused on eraldi ettevõtete tooted.
Miks Whisper kirjutab mõnikord sõnu, mida keegi ei öelnud?
Sest see ennustab teksti nagu keelemudel. OpenAI mudelikaardi järgi võib suurel mürasel veebiandmestikul õpetamine panna mudeli väljastama sõnu, mida helis pole. OpenAI selgitab, et mudel ühendab järgmise tõenäolise sõna ennustamise kuuldu transkribeerimisega. 2024. aasta uuring leidis terveid väljamõeldud fraase umbes 1%-s kontrollitud transkriptidest, sagedamini pikkade pauside juures. Kontrolli pausid, vaiksed lõigud ja oluline sisu heliga üle.
Soovid Whisperi transkripti ilma seadistamiseta? Laadi fail üles või kleebi link teenusesse whispertranscribe.ai ning saad teksti enam kui 130 keeles koos DOCX, PDF, SRT ja VTT ekspordiga.
Allikad
- OpenAI: Introducing Whisper (21. september 2022)
- Radford jt: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Whisperi GitHubi repositoorium ja README, mudelikaart ja MIT-litsents
- Hugging Face: openai/whisper-large-v3 mudelikaart
- OpenAI API docs: Speech to text guide (kontrollitud novembris 2026)
- Koenecke jt: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
