Pangkat Editoryal ng whispertranscribe.ai · Huling na-update: Nobyembre 2026 · 13 minutong basahin
Ano ang Whisper AI? Sa karamihan ng paghahanap, ang tinutukoy nito ay ang OpenAI Whisper, isang open-source speech recognition model na inilathala ng OpenAI noong Setyembre 2022. Ginagawa nitong teksto ang naitalang pananalita, kinikilala ang sinasalitang wika, at kaya nitong magsalin ng ibang wika tungo sa Ingles. Sinanay ito ng OpenAI gamit ang 680,000 oras ng audio mula sa web at inilabas ang code at model weights sa ilalim ng MIT License.
Isang paglilinaw: kami ang gumagawa ng whispertranscribe.ai. Ang whispertranscribe.ai ay web-based na AI transcription tool na ginagawang teksto ang audio at video sa mahigit 130 wika. Malinaw na pinaghihiwalay ng gabay na ito ang modelo at ang mga produktong nakabatay rito; ang bawat bilang tungkol sa modelo ay mula sa sariling papel, repository, o model card ng OpenAI.
Mabilis na sagot: ano ang Whisper AI?
Ang Whisper ay speech-to-text model, hindi app o kumpanya. Maaari mo itong i-download mula sa GitHub repository ng OpenAI at patakbuhin sa sarili mong computer, o gumamit ng serbisyong nagpapatakbo nito para sa iyo.
- Gumawa: OpenAI. Ang research paper na Robust Speech Recognition via Large-Scale Weak Supervision ay inilathala sa arXiv noong Disyembre 6, 2022.
- Kaya nito: i-transcribe ang pananalita, tukuyin ang wika, isalin ang pananalita sa Ingles, at magdagdag ng timestamp sa mga segment.
- Hindi kasama agad: pagkilala kung sino ang nagsasalita o live na transkripsyon. Ayon sa model card ng OpenAI, hindi ito magagamit para sa real-time transcription nang walang karagdagang pagbuo.
- Mga sukat: anim, mula tiny (39 milyong parameter) hanggang large (1,550 milyon).
- Gastos: libreng i-download at patakbuhin; ikaw ang maglalaan ng hardware.
Tatlong maaaring kahulugan ng “Whisper AI”
Maluwag ang paggamit sa pangalan kaya madaling mapagpalit ang tatlong kahulugang ito.
| Tinatawag na “Whisper AI” | Ano ito | Gumagawa | Paano gamitin |
|---|---|---|---|
| OpenAI Whisper | Open-source speech recognition model | OpenAI | I-download ang code at weights at ikaw ang magpatakbo |
| whisper-1 | Hosted API model ng OpenAI para sa transkripsyon | OpenAI | Magpadala ng audio sa API ng OpenAI at magbayad ayon sa paggamit |
| Mga app na may “Whisper” sa pangalan | Mga produktong transcription gaya ng whisperai.com at whispertranscribe.ai (ang site na ito) | Magkakahiwalay na kumpanya | Mag-upload o mag-record ng audio sa kanilang mga app |
Ang mga produkto sa ikatlong hanay ay hindi ang modelo mismo at hindi magkakapareho. Bawat kumpanya ay may sariling feature, limitasyon, presyo, at tuntunin sa privacy. Sa artikulong ito, ang “Whisper” ay ang modelo ng OpenAI.
Paano gumagana ang Whisper?
Ang Whisper ay encoder-decoder Transformer. Ginagawang numerikong representasyon ng encoder ang 30 segundo ng audio, at isinusulat ng decoder ang katumbas na teksto nang paisang token, ayon sa mga espesyal na token na nagsasaad ng gawain.
Inilalarawan ng papel tungkol sa Whisper ang prosesong ito:
- Resampling. Ginagawang 16,000 Hz ang audio.
- Paghahati sa 30 segundong window. Laging 30 segundo ang sabay na tinitingnan ng modelo. Dinadagdagan ng padding ang mas maiikling clip.
- Pagbuo ng spectrogram. Bawat window ay nagiging 80-channel na log-Mel spectrogram, isang representasyon ng pagbabago ng lakas ng tunog sa iba't ibang frequency, na kinukuwenta sa 25-millisecond na frame bawat 10 millisecond. Lumipat ang large-v3 sa 128 channel.
- Encoding. Dalawang convolution layer at isang hanay ng Transformer blocks ang nagpoproseso ng spectrogram.
- Decoding. Una, hinuhulaan ng decoder ang wika o token na “walang pananalita”. Kasunod ang gawain (transcribe o translate), kung may timestamp, at ang teksto mismo.
Hinuhulaan din ang mga timestamp bilang mga token, na niroround sa pinakamalapit na 20 millisecond. Ganito pinagsasama ng isang modelo ang pagkilala ng wika, transkripsyon, pagsasalin, at timing.
Saan sinanay ang Whisper?
Natutunan ng mga orihinal na modelo mula sa 680,000 oras ng internet audio na may katugmang transcript. Tinatawag ito ng OpenAI na “weak supervision” dahil hindi mano-manong sinuri ang mga transcript tulad ng sa benchmark dataset.
| Bahagi ng audio sa training | Oras | Nilalaman |
|---|---|---|
| Mga 65% | 438,000 | English audio na may English transcript |
| Mga 18% | 126,000 | Audio na hindi Ingles na may English transcript (datos ng pagsasalin) |
| Mga 17% | 117,000 | Audio na hindi Ingles na may transcript sa parehong wika |
Pinagmulan: Whisper model card ng OpenAI. Niroround ng papel ang bahagi ng pagsasalin sa 125,000 oras.
Dalawang detalye ang nagpapaliwanag sa asal ng Whisper. Sinala ng OpenAI ang mga transcript na mukhang gawa ng makina, gaya ng puro malalaking titik, kaya natuto ang modelo na magsulat ng mga pangungusap na may bantas. At ang mga unang modelo ay madalas manghula ng pangalan ng nagsasalita dahil maraming web transcript ang may mga pangalan. Binawasan ito ng OpenAI sa fine-tuning, ngunit ipinapakita nito kung gaano kalapit na ginagaya ng modelo ang training text.
Iba ang training ng large-v3: mga 5 milyong oras, na binubuo ng 1 milyon na may weak web labels at 4 milyon na nilagyan ng label ng large-v2, ayon sa Hugging Face model card nito.
Paghahambing ng mga sukat ng Whisper model
May anim na sukat ang Whisper. Mas mabilis ang maliliit sa karaniwang hardware; mas kaunti ang pagkakamali ng malalaki ngunit kailangan ng mas maraming video memory (VRAM). Mula sa README ng OpenAI ang mga bilang sa ibaba.
| Sukat | Mga parameter | Bersyong Ingles lamang | Multilingual na bersyon | Kailangang VRAM | Bilis kumpara sa 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 | Wala | large | ~10 GB | 1x |
| turbo | 809 M | Wala | turbo | ~6 GB | ~8x |
Sinukat ng OpenAI ang mga bilis na ito sa English speech gamit ang A100 data-center GPU at sinasabing maaaring malaki ang pagkakaiba sa aktuwal na paggamit. Mas mabagal ang laptop.
Aling Whisper model ang pipiliin?
Magsimula sa available na memory at sa paggagamitan ng transcript:
- Pagsubok sa simpleng computer: tiny o base, mga 1 GB ng VRAM. Asahan ang mas maraming pagkakamali.
- Ingles lamang: gumamit ng
.enmodel. Ayon sa OpenAI, mas mahusay ang mga ito, lalo na sa tiny at base. - Magandang kalidad sa makatwirang bilis: turbo, mga 6 GB. Ito ang default sa command line.
- Pagsasalin ng pananalita sa Ingles: medium o large. Hindi sinanay ang turbo para sa pagsasalin at ibinabalik nito ang orihinal na wika kahit humiling ng salin.
- Pinakamahirap na audio at pinakamagandang posibleng resulta: large, mga 10 GB ng VRAM.
Mga bersyon ng Whisper: maikling timeline
Tatlong release ang napasama sa “large”, at ang turbo ay pinagaan na large-v3. Mahalaga ang bersyon dahil nagkakaiba ang resulta ayon sa checkpoint.
| Bersyon | Inilabas | Pagbabago |
|---|---|---|
| Orihinal na mga modelo (tiny hanggang large) | Setyembre 2022 | Unang open-source release kasama ang papel |
| large-v2 | Disyembre 2022 | Parehong sukat, sinanay nang 2.5 beses na mas matagal na may dagdag na regularization |
| large-v3 | Nobyembre 2023 | 128 Mel channel, bagong Cantonese token, 10% hanggang 20% na mas kaunting error kaysa v2 sa maraming wika |
| turbo (large-v3-turbo) | Setyembre 2024 | Decoder layers mula 32 ginawang 4 para sa bilis; walang pagsasalin |
Mga pinagmulan: Whisper model card, footnote ng papel sa large-v2, at Hugging Face cards para sa large-v3 at large-v3-turbo.
Ilang wika ang sinusuportahan ng Whisper?
Kinikilala ng Whisper ang mga 99 wika. Gumamit ang language detector sa papel ng 99 language token, at may 100 language code na ngayon ang tokenizer matapos idagdag ang Cantonese sa large-v3. Hindi katumbas ng kalidad ang suporta: sinasabi ng model card na malakas ang resulta ng Whisper sa mga 10 wika.
Nakadepende ang kalidad sa datos ng training. Natuklasan ng papel na malakas na naipapahiwatig ng dami ng oras ng training para sa isang wika ang performance nito, at karamihan ng wika ay may mas mababa sa 1,000 oras. Karaniwang mas malinis ang resulta sa Ingles, Espanyol, o Aleman kaysa sa wikang kakaunti ang datos. Naka-link sa README ang chart ng error kada wika kung gusto mong suriin ang iyo.
Huwag itong ipagkamali sa bilang ng produkto. Sinusuportahan ng whispertranscribe.ai ang mahigit 130 wika. Bilang iyon ng suporta ng aming produkto; sinasabi ng pahina ng presyo na “130+ languages & accents”. Hindi iyon katangian ng open-source Whisper model.
Gaano katumpak ang Whisper?
Walang iisang bilang ng accuracy para sa Whisper dahil nakadepende ito sa sukat ng modelo, wika, at recording. Sa malinaw na binabasang Ingles, nakakuha ang large-v2 ng 2.7% word error rate (WER). Sa average ng 14 English test set, na karamihan ay mas mahirap, 12.8% ito.
Ang WER ay bahagdan ng mga salitang mali sa paghahambing sa reference transcript na ginawa ng tao; binibilang nito ang pinalitan, inalis, o idinagdag na salita. Mas mababa ay mas mabuti. Mula sa Table 2 ng papel ang mga bilang, na inihahambing ang Whisper large-v2 sa wav2vec 2.0 model na sinanay sa LibriSpeech audiobook dataset:
| Test set | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (binabasang audiobook) | 2.7% | 2.7% |
| Common Voice (pananalitang ni-record ng mga boluntaryo) | 29.9% | 9.0% |
| CHiME-6 (maingay na hapunang recording) | 65.8% | 25.5% |
| Average ng lahat ng 14 test set sa talahanayan | 29.3% | 12.8% |
Ang mahalaga ay ang pattern. Tabla ang dalawang modelo sa audiobook test, ngunit mas mahusay ang Whisper sa iba at may average na 55.2% na mas kaunting error. Niroround ito ng anunsyo ng OpenAI sa “50% fewer errors”. Sa noise test ng papel, natalo ng mga modelong sinanay sa LibriSpeech ang Whisper sa halos malinis na audio ngunit nahuli sila nang lumakas ang pub-style na ingay sa background, sa ibaba ng 10 dB signal-to-noise ratio.
Mga research benchmark ang mga ito, hindi pangako para sa iyong mga file, at hiwalay ang mga claim ng produkto. Halimbawa, umaabot ang whispertranscribe.ai sa hanggang 99% accuracy sa malinis na audio; pinabababa ito ng ingay, sabay-sabay na pananalita, at malalakas na accent.
Ano ang mga limitasyon ng Whisper?
Pangunahing kahinaan ng Whisper ang kakayahan nitong magsulat ng maayos na tekstong walang nagsabi. Tinatawag ito ng OpenAI model card na hallucination at iniuugnay sa weakly supervised training. Nakatala rin ang pag-uulit, hindi pantay na accuracy sa mga wika at accent, at kawalan ng built-in speaker labels.
- Guni-guning teksto. Sa pag-aaral noong 2024 na Careless Whisper, natuklasan ng mga mananaliksik na mga 1% ng sinuring transcript ang may buong parirala o pangungusap na wala sa audio. Mas madalas ito sa mahabang paghinto sa pagsasalita.
- Paulit-ulit na parirala. Maaaring maipit ang modelo sa pag-uulit. Binabawasan ito ng beam search at temperature fallback sa ilang antas, ayon sa model card, ngunit hindi tuluyan.
- Nawawalang una o huling salita. Kinikilala ng papel ang paglaktaw sa unang o huling ilang salita ng segment bilang posibleng pagkakamali.
- Kailangan ng windowing para sa mahahabang recording. 30 segundo lamang ang nakikita ng Whisper sa bawat pagkakataon. Para sa mas mahahabang file, inililipat ng transcription tool ang window gamit ang hinulaang timestamp, kaya maaaring makaapekto sa susunod ang isang pagkakamali.
- Walang speaker labels. Ayon sa model card, hindi lubusang nasuri ang diarization o pagkilala kung sino ang nagsalita at kailan. Kailangan ng hiwalay na tool.
- Hindi real-time bilang default. Ginawa ito para sa mga naitalang file. Nangangailangan ng dagdag na engineering ang live captioning.
- Hindi pantay ayon sa wika at accent. Itinatala ng model card ang mas mataas na error rate para sa ilang accent, diyalekto, at demograpikong grupo.
Nagbabala rin ang OpenAI laban sa pag-transcribe ng tao nang walang pahintulot at sa paggamit para sa mga desisyong mataas ang panganib.
Saan nagkakaiba ang mga opisyal na pinagmulan?
Nagkakaiba ang ilang bilang sa sariling dokumento ng OpenAI, kadalasan dahil sa rounding o pagbabago ng bersyon. Suriin ito bago sumipi:
| Paksa | Sabi ng isang opisyal na pinagmulan | Sabi ng isa pa | Ano ang gamitin |
|---|---|---|---|
| Pagbaba ng error kumpara sa LibriSpeech models | Papel: 55.2% na mas kaunting error sa average | Anunsyo ng OpenAI: 50% na mas kaunting error | Sipiin ang papel at pangalanan ang paghahambing |
| Mga wikang bukod sa Ingles sa training data | Papel: 96 na ibang wika | Model card: 98 wika | “Mga 99 wika” para sa pagkilala |
| Oras ng training para sa pagsasalin | Model card: 126,000 | Papel: 125,000 | Alinman, basta tukuying tinatayang bilang |
| Bilang ng turbo parameter | README at Hugging Face: 809 M | Talahanayan ng model card: 798 M | 809 M, bilang na gamit ng karamihan ng pinagmulan |
| Dami ng training data | Orihinal na papel: 680,000 oras | Large-v3 card: 5 milyong oras | Pangalanan ang tinutukoy na bersyon |
| Lisensya | GitHub: MIT para sa code at weights | Metadata ng Hugging Face large-v3: Apache-2.0 | Suriin ang license file ng kopyang dina-download |
Paano gamitin ang Whisper: patakbuhin, gumamit ng API, o gumamit ng app
May tatlong praktikal na paraan. Libre ang pagpapatakbo sa sarili at nananatili ang audio sa iyong computer. Inaalis ng API ng OpenAI ang setup ngunit may limitasyon sa laki ng file. Nagdaragdag ang hosted transcription app ng editing, speaker labels, at exports, ngunit third-party service ito na may sariling tuntunin.
| Patakbuhin ang open-source Whisper | OpenAI transcription API | Hosted transcription app | |
|---|---|---|---|
| Setup | Python, PyTorch, at FFmpeg | Code at API key | Browser |
| Gastos | Libre; sariling hardware | Bayad ayon sa paggamit | Libreng antas o subscription, depende sa app |
| Limitasyon sa file | Sariling hardware | 25 MB bawat file | Itinatakda ng bawat app |
| Saan napupunta ang audio | Nananatili sa iyong computer | Ipinapadala sa OpenAI | Ipinapadala sa server ng app |
| Speaker labels | Hindi built in | Wala sa whisper-1 | Depende sa app |
| Editing at exports | TXT, SRT, VTT, TSV, JSON mula sa command line | Ibinabalik sa iyong code; ikaw ang bubuo ng iba | Karaniwang may editor at document at subtitle exports |
Patakbuhin ang Whisper sa sarili mong computer
Ibinibigay ng README ng OpenAI ang install command at simpleng pagpapatakbo:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Kailangan ding naka-install ang FFmpeg, at ayon sa README dapat gumana ang code sa Python 3.8 hanggang 3.11. Idagdag ang --language para tukuyin ang sinasalitang wika, o --task translate gamit ang multilingual model upang makakuha ng Ingles. Dina-download ang model weights sa unang paggamit.
Gamitin ang API ng OpenAI
Nililimitahan ng speech-to-text guide ng OpenAI ang upload sa 25 MB bawat file, kaya i-compress o hatiin ang mas malaki. Sa pagsuri noong Nobyembre 2026, minarkahan ng gabay na deprecated ang whisper-1 at nagtakda ng petsa ng pagsasara sa Pebrero 26, 2027, habang itinuturo ang mga developer sa mas bagong transcription models. Ang mga mas bagong ito ay OpenAI speech models, hindi mga bagong release ng open-source Whisper family.
Gumamit ng hosted transcription app
Kung ayaw mong mag-install, ang hosted app ay nagpoproseso ng mga file sa mga server nito. Isang opsyon ang whispertranscribe.ai, at mabilis itong subukan sa libreng audio-to-text converter. Inilalarawan ng homepage ang whispertranscribe.ai bilang “powered by Whisper and next-generation AI”. Mula sa aming mga pahina ng produkto, ito ang inaalok:
- Mag-upload ng audio o video hanggang 5GB at 10 oras, o maglagay ng YouTube, Vimeo, Google Drive, o Dropbox link sa Transcribe from URL.
- Mahigit 130 wika at speaker detection na maaaring i-on.
- Live transcription mula sa mikropono, pati pag-record at transcribe sa browser.
- Exports sa DOCX, PDF, SRT, VTT, TXT, at CSV, kasama ang mga subtitle mula sa AI subtitle generator.
- Isalin ang audio sa Ingles para sa mga recording na hindi Ingles.
May mga kapalit: napupunta ang file mo sa cloud service sa halip na manatili sa computer. Wala kaming API, custom vocabulary, o meeting bot. Nagsisimula ang bayad na plano sa $9.99/buwan na sinisingil taun-taon (presyo), at maaari kang magsimula nang libre nang walang account. Tingnan ang Whisper AI transcription tool o lahat ng feature.
Open source ba ang Whisper, at ano ang pinapayagan ng lisensya?
Oo. Sinasabi ng repository ng OpenAI na inilabas ang code at model weights ng Whisper sa ilalim ng MIT License. Permissive ang MIT: sa pangkalahatan ay pinapayagan nitong gamitin, kopyahin, baguhin, at ibenta ang software na nakabatay sa code, basta panatilihin ang copyright at license notice.
Dalawang paalala: maaaring iba ang license metadata ng mga kopya sa ibang site; Apache-2.0 ang nakalista sa Hugging Face large-v3 page. Basahin ang lisensyang kasama ng kopyang ginagamit mo. At ang lisensya ay para sa software, hindi sa mga recording na ipinapasok dito. Nanatiling mahalaga ang mga tuntunin sa pahintulot at privacy para sa audio. Pangkalahatang impormasyon ito, hindi legal na payo; ang teksto ng MIT license ang opisyal na pinagmulan.
Para kanino ang Whisper?
Angkop ang Whisper sa mga developer at sinumang komportable sa terminal na gustong magkaroon ng libre, pribado, at walang limitasyong transkripsyon. Kung kailangan mo ng tapos na transcript na may editor at exports, karaniwang mas mabilis ang hosted app.
| Ikaw ay… | Angkop na piliin | Bakit |
|---|---|---|
| Developer na gumagawa ng produkto | Open-source Whisper o API | Buong kontrol sa proseso |
| Researcher na may sensitibong panayam | Open-source Whisper na pinapatakbo nang lokal | Hindi umaalis sa computer ang audio |
| Creator na nangangailangan ng subtitles sa linggong ito | Hosted app na may SRT o VTT export | Walang setup; handa nang i-upload ang mga file na may timing |
| Gumagamit ng laptop na walang GPU | Maliit na model nang lokal o hosted app | Nangangailangan ang malaking model ng mga 10 GB VRAM |
Bago pagkatiwalaan ang Whisper transcript: checklist
Binuo ang checklist mula sa mga posibleng pagkakamaling nasa papel at model card ng OpenAI:
- Suriin ang mga paghinto at tahimik na bahagi para sa mga pangungusap na walang nagsabi.
- Hanapin ang parehong pariralang ilang beses na magkakasunod na naulit.
- Ihambing sa audio ang una at huling linya ng file.
- Beripikahin ang mga pangalan, numero, at teknikal na termino.
- Tiyaking tama ang wikang natukoy o itakda ito nang mano-mano.
- Para sa pagsasalin, tiyaking hindi turbo ang ginamit.
- Magdagdag ng speaker labels gamit ang hiwalay na tool kung kailangan.
- Kumuha ng pahintulot bago mag-record o mag-transcribe ng ibang tao.
Mga madalas itanong
Libre ba ang Whisper AI?
Oo, libreng i-download at patakbuhin ang OpenAI Whisper. Nililisensyahan ng OpenAI ang code at model weights sa ilalim ng MIT kaya magagamit ang mga ito nang hindi nagbabayad sa OpenAI. Ikaw ang maglalaan ng computer, at nangangailangan ang large ng mga 10 GB GPU memory. May bayad ang mga hosted opsyon: naniningil ayon sa paggamit ang API ng OpenAI, at sariling plano ang itinatakda ng mga transcription app. Hindi rin nangangahulugang madali ang “libre”: kailangan mo ng Python, FFmpeg, at kaunting kaalaman sa command line.
Nakikilala ba ng Whisper ang iba't ibang nagsasalita?
Hindi nang mag-isa. Isinusulat ng Whisper ang sinabi ngunit hindi nilalagyan ng label kung sino ang nagsabi nito. Ayon sa model card, hindi lubusang nasuri ang mga kakayahan gaya ng speaker diarization. Para makakuha ng mga label, karaniwang ipinapareha ang Whisper sa hiwalay na diarization tool o gumagamit ng app na may speaker detection. Halimbawa, may opsyong speaker detection ang whispertranscribe.ai na maaaring i-on bago mag-transcribe. Palaging suriin ang mga label kung magkahawig ang mga boses.
Kaya ba ng Whisper ang real-time transcription?
Hindi agad. Idinisenyo ang Whisper para sa naitalang audio at pinoproseso ito sa 30 segundong window; sinasabi ng model card ng OpenAI na hindi ito magagamit sa real-time transcription nang walang dagdag na trabaho. Nakagawa ang mga developer ng halos real-time na tool sa pamamagitan ng pagpapasok ng maiikling chunk habang dumarating ang mga ito. Kung kailangan mo ng live captions, pumili ng tool na may nakalaang live mode at asahang kakailanganin ng live output ang mas maraming pagwawasto kaysa transcript mula sa natapos na recording.
Ilang wika ang sinusuportahan ng Whisper?
Kinikilala ng Whisper ang mga 99 wika, at may 100 language code ang kasalukuyang tokenizer matapos idagdag ang Cantonese sa large-v3. Malaki ang pagkakaiba ng kalidad. Ayon sa OpenAI model card, malakas ang resulta sa mga 10 wika, at natuklasan ng papel na karamihan sa mga wika ay may wala pang 1,000 oras ng training audio. Bago umasa sa isang hindi gaanong karaniwang wika, subukan ang maikling clip. Ang bilang ng produkto, gaya ng mahigit 130 wika ng whispertranscribe.ai, ay tumutukoy sa suporta ng produktong iyon, hindi ng open-source model.
Pareho ba ang whispertranscribe.ai at OpenAI Whisper?
Hindi. Ang OpenAI Whisper ay open-source model na ikaw mismo ang nagda-download at nagpapatakbo. Ang whispertranscribe.ai ay hiwalay na browser-based transcription service; inilalarawan ito ng homepage bilang pinapagana ng Whisper at next-generation AI. Nagdaragdag ito ng mga bagay na wala sa raw model, tulad ng upload hanggang 5GB, pag-import ng link mula sa YouTube o Google Drive, speaker detection, at DOCX, PDF, SRT, at VTT exports. Ang ibang app na may “Whisper” sa pangalan ay magkakahiwalay ding produkto ng iba't ibang kumpanya.
Bakit minsan nagsusulat ang Whisper ng mga salitang walang nagsabi?
Dahil hinuhulaan nito ang teksto tulad ng isang language model. Sinasabi ng OpenAI model card na ang training sa malaki at maingay na web data ay maaaring magdulot ng mga salitang wala sa audio. Ayon sa paliwanag ng OpenAI, pinagsasama nito ang paghula sa susunod na malamang na salita at ang pag-transcribe sa naririnig. Natuklasan ng isang pag-aaral noong 2024 ang buong imbentong parirala sa mga 1% ng mga sinuring transcript, mas madalas sa mahahabang paghinto. Suriin laban sa audio ang mga paghinto, tahimik na bahagi, at anumang mahalaga.
Gusto ng Whisper transcript nang walang setup? Mag-upload ng file o maglagay ng link sa whispertranscribe.ai at kumuha ng teksto sa mahigit 130 wika, na may DOCX, PDF, SRT, at VTT exports.
Mga sanggunian
- OpenAI: Introducing Whisper (Setyembre 21, 2022)
- Radford at mga kasama: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Whisper GitHub repository at README, model card, at MIT license
- Hugging Face: openai/whisper-large-v3 model card
- OpenAI API docs: Speech to text guide (sinuri noong Nobyembre 2026)
- Koenecke at mga kasama: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
