מהו Whisper AI? כיצד פועל מודל זיהוי הדיבור של OpenAI

מאת מערכת whispertranscribe.ai · עודכן לאחרונה: נובמבר 2026 · זמן קריאה: 13 דקות

מהו Whisper AI? ברוב החיפושים הכוונה ל-OpenAI Whisper, מודל זיהוי דיבור בקוד פתוח ש-OpenAI פרסמה בספטמבר 2022. הוא הופך דיבור מוקלט לטקסט, מזהה את שפת הדיבור ויכול לתרגם שפות אחרות לאנגלית. OpenAI אימנה אותו על 680,000 שעות שמע מהרשת ושחררה את הקוד והמשקולות ברישיון MIT.

גילוי נאות קצר: אנחנו מפתחים את whispertranscribe.ai. ‏whispertranscribe.ai הוא כלי תמלול AI מבוסס רשת שהופך שמע ווידאו לטקסט ביותר מ-130 שפות. המדריך מבחין בבירור בין המודל למוצרים שנבנו סביבו, וכל נתון על המודל מגיע מהמאמר, ממאגר הקוד או מכרטיס המודל של OpenAI.

תשובה מהירה: מהו Whisper AI?

Whisper הוא מודל דיבור לטקסט, לא אפליקציה או חברה. אפשר להוריד אותו ממאגר GitHub של OpenAI ולהריץ במחשב שלכם, או להשתמש בשירות שמריץ אותו עבורכם.

  • המפתחת: OpenAI. מאמר המחקר Robust Speech Recognition via Large-Scale Weak Supervision פורסם ב-arXiv ב-6 בדצמבר 2022.
  • מה הוא עושה: מתמלל דיבור, מזהה שפה, מתרגם דיבור לאנגלית ומוסיף חותמות זמן למקטעים.
  • מה אינו עושה מיד לאחר ההתקנה: מתייג מי מדבר או מתמלל בשידור חי. כרטיס המודל של OpenAI אומר שאי אפשר להשתמש בו לתמלול בזמן אמת ללא תוספות.
  • גדלים: שישה, מ-tiny ‏(39 מיליון פרמטרים) עד large ‏(1,550 מיליון).
  • עלות: הורדה והרצה בחינם. אתם מספקים את החומרה.

המונח "Whisper AI" עשוי לציין שלושה דברים שונים

השם משמש באופן חופשי וקל לבלבל בין שלוש המשמעויות.

מה מכונה "Whisper AI" מה זה מי מפתח איך משתמשים
OpenAI Whisper מודל זיהוי דיבור בקוד פתוח OpenAI מורידים את הקוד והמשקולות ומריצים לבד
whisper-1 מודל API מתארח לתמלול של OpenAI OpenAI שולחים קובצי שמע ל-API של OpenAI ומשלמים לפי שימוש
אפליקציות עם "Whisper" בשם מוצרי תמלול כגון whisperai.com ו-whispertranscribe.ai (אתר זה) חברות נפרדות מעלים או מקליטים שמע באפליקציות שלהן

המוצרים בשורה השלישית אינם המודל עצמו ואינם ניתנים להחלפה זה בזה. כל חברה קובעת תכונות, מגבלות, מחירים ותנאי פרטיות משלה. במאמר זה "Whisper" פירושו המודל של OpenAI.

איך Whisper פועל?

Whisper הוא Transformer מסוג מקודד-מפענח. המקודד הופך 30 שניות שמע לייצוג מספרי, והמפענח כותב את הטקסט המתאים טוקן אחר טוקן, בהנחיית טוקנים מיוחדים שמציינים את המשימה.

מאמר Whisper מתאר את התהליך:

  1. דגימה מחדש. השמע מומר ל-16,000 הרץ.
  2. חלוקה לחלונות של 30 שניות. המודל בוחן תמיד 30 שניות בכל פעם. מקטעים קצרים מרופדים.
  3. יצירת ספקטרוגרמה. כל חלון הופך לספקטרוגרמת log-Mel בת 80 ערוצים, המתארת את אנרגיית הקול בתדרים שונים ומחושבת על מקטעי 25 מילישניות בכל 10 מילישניות. (Large-v3 עבר ל-128 ערוצים.)
  4. קידוד. שתי שכבות קונבולוציה וערימת בלוקי Transformer מעבדות את הספקטרוגרמה.
  5. פענוח. המפענח חוזה תחילה את השפה או טוקן "אין דיבור". אחר כך באים המשימה (תמלול או תרגום), הבחירה אם לכלול חותמות זמן ולבסוף הטקסט עצמו.

גם חותמות הזמן נחזות כטוקנים, מעוגלות ל-20 מילישניות הקרובות. כך מודל אחד מטפל בזיהוי שפה, תמלול, תרגום ותזמון.

על מה Whisper אומן?

המודלים המקוריים למדו מ-680,000 שעות שמע באינטרנט עם תמלילים תואמים. OpenAI מכנה זאת "פיקוח חלש" משום שהתמלילים לא נבדקו ידנית כפי שנבדקים מערכי נתוני אמת מידה.

חלק משמע האימון שעות תוכן
כ-65% 438,000 שמע באנגלית עם תמלילים באנגלית
כ-18% 126,000 שמע שאינו אנגלית עם תמלילים באנגלית (נתוני תרגום)
כ-17% 117,000 שמע שאינו אנגלית עם תמלילים באותה שפה

מקור: כרטיס מודל Whisper של OpenAI. המאמר מעגל את חלק התרגום ל-125,000 שעות.

שני פרטים מסבירים רבות מהתנהגות Whisper. ‏OpenAI סיננה תמלילים שנראו כמיוצרים במכונה, כגון טקסט באותיות גדולות בלבד, ולכן המודל למד לכתוב משפטים מפוסקים. מודלים מוקדמים גם נטו לנחש שמות דוברים, משום שתמלילים רבים ברשת כללו אותם. OpenAI ביצעה כוונון עדין להפחתת ההרגל, אך הדבר מראה עד כמה המודל משקף את טקסט האימון שלו.

Large-v3 אומן אחרת, על כ-5 מיליון שעות: מיליון עם תוויות רשת בפיקוח חלש ו-4 מיליון שתויגו בידי large-v2, לפי כרטיס המודל ב-Hugging Face.

השוואת גדלי מודל Whisper

Whisper מגיע בשישה גדלים. מודלים קטנים מהירים יותר בחומרה צנועה; גדולים שוגים פחות אך זקוקים ליותר זיכרון וידאו (VRAM). הנתונים להלן הועתקו מ-README של OpenAI.

גודל פרמטרים גרסה לאנגלית בלבד גרסה רב-לשונית VRAM נדרש מהירות יחסית ל-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 אין large ~10 GB 1x
turbo 809 M אין turbo ~6 GB ~8x

OpenAI מדדה מהירויות אלה בדיבור אנגלי באמצעות GPU מסוג A100 למרכזי נתונים ואומרת שהמהירות בפועל עשויה להשתנות משמעותית. מחשב נייד יהיה איטי יותר.

באיזה מודל Whisper לבחור?

התחילו מהזיכרון הזמין וממטרת התמליל:

  • בדיקה במחשב בסיסי: tiny או base, כ-1 GB של VRAM. צפויות יותר טעויות.
  • אנגלית בלבד: השתמשו במודל .en. ‏OpenAI אומרת שהם טובים יותר, במיוחד בגדלים tiny ו-base.
  • איכות טובה במהירות סבירה: turbo, כ-6 GB. זו ברירת המחדל בשורת הפקודה.
  • תרגום דיבור לאנגלית: medium או large. Turbo לא אומן לתרגום ומחזיר את שפת המקור גם אם מבקשים לתרגם.
  • השמע הקשה ביותר והתוצאה הטובה ביותר: large, כ-10 GB של VRAM.

גרסאות Whisper: ציר זמן קצר

"Large" כלל שלוש מהדורות, ו-turbo הוא large-v3 מצומצם. הגרסה חשובה משום שהתוצאות שונות בין נקודות שמירה.

גרסה פורסמה מה השתנה
מודלים מקוריים (tiny עד large) ספטמבר 2022 מהדורת הקוד הפתוח הראשונה עם המאמר
large-v2 דצמבר 2022 אותו גודל, אימון ארוך פי 2.5 עם רגולריזציה נוספת
large-v3 נובמבר 2023 128 ערוצי Mel, טוקן קנטונזית חדש, 10% עד 20% פחות שגיאות מ-v2 בשפות רבות
turbo (large-v3-turbo) ספטמבר 2024 שכבות המפענח צומצמו מ-32 ל-4 לשיפור מהירות; ללא תרגום

מקורות: כרטיס מודל Whisper, הערת השוליים במאמר על large-v2 וכרטיסי Hugging Face של large-v3 ו-large-v3-turbo.

בכמה שפות Whisper תומך?

Whisper מזהה כ-99 שפות. מזהה השפה במאמר השתמש ב-99 טוקנים, והטוקנייזר הנוכחי מונה 100 קודי שפה לאחר ש-large-v3 הוסיף קנטונזית. תמיכה אינה זהה לאיכות: כרטיס המודל אומר ש-Whisper מציג תוצאות חזקות בכ-10 שפות.

האיכות קשורה לנתוני האימון. המאמר מצא שמספר השעות שהמודל ראה בשפה מנבא היטב את ביצועיו בה, ושרוב השפות כללו פחות מ-1,000 שעות. אנגלית, ספרדית או גרמנית יפיקו בדרך כלל תוצאה נקייה יותר משפה דלת משאבים. README מקשר לתרשים שגיאות לפי שפה אם ברצונכם לבדוק.

אל תבלבלו עם נתוני מוצרים. ‏whispertranscribe.ai תומך ביותר מ-130 שפות. זהו נתון התמיכה של המוצר שלנו (דף המחירים אומר "יותר מ-130 שפות ומבטאים"), לא תכונה של מודל Whisper בקוד פתוח.

עד כמה Whisper מדויק?

אין נתון דיוק אחד ל-Whisper, משום שהוא תלוי בגודל המודל, בשפה ובהקלטה. באנגלית מוקראת ונקייה large-v2 השיג שיעור שגיאת מילים (WER) של 2.7%. בממוצע על 14 מערכי בדיקה באנגלית, רובם קשים יותר, השיעור היה 12.8%.

WER הוא חלק המילים שהמערכת טועה בהן, כולל מילים שהיא מחליפה, משמיטה או מוסיפה, ביחס לתמליל ייחוס אנושי. נמוך יותר טוב יותר. הנתונים להלן מטבלה 2 במאמר, המשווה את Whisper large-v2 למודל wav2vec 2.0 שאומן על מערך ספרי השמע LibriSpeech:

מערך בדיקה WER של wav2vec 2.0 WER של Whisper large-v2
LibriSpeech clean (ספרי שמע מוקראים) 2.7% 2.7%
Common Voice (דיבור שהוקלט בידי הציבור) 29.9% 9.0%
CHiME-6 (הקלטות ארוחת ערב רועשת) 65.8% 25.5%
ממוצע כל 14 מערכי הבדיקה בטבלה 29.3% 12.8%

הדפוס הוא העיקר. שני המודלים משתווים במבחן ספרי השמע, אך Whisper מצליח הרבה יותר בשאר המבחנים, עם 55.2% פחות שגיאות בממוצע. הודעת OpenAI מעגלת זאת ל-50% פחות שגיאות. במבחני הרעש במאמר, מודלים שאומנו על LibriSpeech גברו על Whisper בשמע כמעט נקי אך פיגרו כשהרעש בסגנון פאב התחזק, מתחת ליחס אות לרעש של 10 dB.

אלה מדדי מחקר, לא הבטחה לקבצים שלכם, וטענות המוצרים נפרדות. לדוגמה, whispertranscribe.ai מגיע לדיוק של עד 99% בשמע ברור, ורעש רקע, דיבור חופף ומבטאים כבדים מפחיתים אותו.

מהן מגבלות Whisper?

החולשה העיקרית של Whisper היא שהוא עשוי לכתוב טקסט שוטף שאיש לא אמר. כרטיס המודל של OpenAI מכנה זאת הזיה ומקשר זאת לאימון בפיקוח חלש. הוא מציין גם חזרות, דיוק לא אחיד בין שפות ומבטאים והיעדר תוויות דוברים מובנות.

  1. טקסט מומצא. במחקר מ-2024, ‏Careless Whisper, החוקרים מצאו שכ-1% מהתמלילים שבדקו כללו ביטויים או משפטים שלמים שלא היו בשמע. הזיות הופיעו לעיתים קרובות יותר בהפסקות ארוכות בדיבור.
  2. לולאות חזרה. המודל עלול להיתקע ולחזור על ביטוי. לפי כרטיס המודל, beam search ו-temperature fallback מפחיתים זאת במידה מסוימת, אך לא לגמרי.
  3. מילים חסרות בתחילת או סוף מקטע. המאמר מציין דילוג על המילים הראשונות או האחרונות ככשל מוכר.
  4. הקלטות ארוכות דורשות חלוקה לחלונות. Whisper רואה רק 30 שניות בכל פעם. בקבצים ארוכים כלי התמלול מזיז את החלון לפי חותמות זמן חזויות, ולכן טעות בחלון אחד עלולה להשפיע על הבא.
  5. אין תוויות דוברים. לפי כרטיס המודל, הפרדת דוברים, כלומר זיהוי מי דיבר ומתי, לא הוערכה באופן מקיף. נדרש כלי נפרד.
  6. לא בזמן אמת כברירת מחדל. הוא נבנה לקבצים מוקלטים. כתוביות חיות דורשות פיתוח נוסף סביבו.
  7. אי-אחידות בין שפות ומבטאים. כרטיס המודל מציין שיעורי שגיאה גבוהים יותר בחלק מהמבטאים, הניבים והקבוצות הדמוגרפיות.

OpenAI מזהירה גם מפני תמלול אנשים ללא הסכמתם ומפני שימושים לקבלת החלטות בסיכון גבוה.

היכן מקורות רשמיים אינם מסכימים

חלק מהנתונים שונים בין מסמכי OpenAI עצמם, בעיקר בשל עיגול או שינויי גרסה. בדקו לפני ציטוט:

נושא מקור רשמי אחד אומר מקור אחר אומר במה להשתמש
הפחתת שגיאות לעומת מודלי LibriSpeech מאמר: 55.2% פחות שגיאות בממוצע הודעת OpenAI: ‏50% פחות שגיאות צטטו את המאמר וציינו את ההשוואה
שפות בנתוני האימון מלבד אנגלית מאמר: 96 שפות נוספות כרטיס מודל: 98 שפות "כ-99 שפות" לזיהוי
שעות אימון לתרגום כרטיס מודל: 126,000 מאמר: 125,000 כל אחד מהם, בציון שמדובר בקירוב
מספר פרמטרים ב-Turbo README ו-Hugging Face: ‏809 M טבלת כרטיס המודל: ‏798 M 809 M, הנתון שרוב המקורות משתמשים בו
גודל נתוני האימון המאמר המקורי: 680,000 שעות כרטיס Large-v3: ‏5 מיליון שעות ציינו את הגרסה
רישיון GitHub: ‏MIT לקוד ולמשקולות מטא-נתונים של large-v3 ב-Hugging Face: ‏Apache-2.0 בדקו את קובץ הרישיון בעותק שהורדתם

איך משתמשים ב-Whisper: הרצה עצמית, API או אפליקציה

יש שלוש דרכים מעשיות. הרצה עצמית חינמית ומשאירה שמע במחשב. API של OpenAI חוסך התקנה אך מגביל גודל קובץ. אפליקציית תמלול מתארחת מוסיפה עריכה, תוויות דוברים וייצוא, אך היא שירות צד שלישי עם תנאים משלו.

הרצת Whisper בקוד פתוח API התמלול של OpenAI אפליקציית תמלול מתארחת
התקנה Python, ‏PyTorch ו-FFmpeg קוד ומפתח API דפדפן
עלות בחינם; החומרה שלכם תשלום לפי שימוש מסלול חינמי או מנוי, תלוי באפליקציה
מגבלות קבצים החומרה שלכם 25 MB לקובץ נקבעות בידי כל אפליקציה
לאן השמע מגיע נשאר במחשב נשלח ל-OpenAI נשלח לשרתי האפליקציה
תוויות דוברים לא מובנות אין ב-whisper-1 תלוי באפליקציה
עריכה וייצוא TXT, ‏SRT, ‏VTT, ‏TSV, ‏JSON משורת הפקודה מוחזר לקוד שלכם; אתם בונים את השאר בדרך כלל עורך וייצוא מסמכים וכתוביות

הרצת Whisper במחשב שלכם

README של OpenAI מציג פקודת התקנה והרצה בסיסית:

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

נדרש גם FFmpeg, ו-README אומר שהקוד אמור לפעול ב-Python 3.8 עד 3.11. הוסיפו --language כדי לציין את השפה המדוברת, או --task translate עם מודל רב-לשוני לקבלת אנגלית. משקולות המודל יורדות בשימוש הראשון.

שימוש ב-API של OpenAI

מדריך הדיבור לטקסט של OpenAI מגביל העלאות ל-25 MB לקובץ, לכן דחסו או חלקו קבצים גדולים יותר. בבדיקה בנובמבר 2026, המדריך סימן את whisper-1 כמיועד להוצאה משימוש וציין תאריך השבתה ב-26 בפברואר 2027, והפנה מפתחים למודלי תמלול חדשים יותר. המודלים החדשים הם מודלי דיבור של OpenAI, לא מהדורות חדשות של משפחת Whisper בקוד פתוח.

שימוש באפליקציית תמלול מתארחת

אם אינכם רוצים להתקין, אפליקציה מתארחת מעבדת קבצים בשרתיה. whispertranscribe.ai היא אפשרות אחת, וממיר השמע לטקסט החינמי שלה מאפשר ניסיון מהיר. דף הבית שלנו מתאר את whispertranscribe.ai כמבוסס על Whisper ו-AI מהדור הבא. להלן יכולותיו לפי דפי המוצר שלנו:

יש פשרות אמיתיות. הקובץ עובר לשירות ענן במקום להישאר במחשב. איננו מציעים API, אוצר מילים מותאם או בוט פגישות. מסלולים בתשלום מתחילים ב-$9.99 לחודש בחיוב שנתי (מחירים), ואפשר להתחיל בחינם ללא חשבון. לפרטים ראו את דף כלי התמלול Whisper AI או כל התכונות.

האם Whisper בקוד פתוח ומה הרישיון מתיר?

כן. מאגר OpenAI מציין שהקוד ומשקולות המודל של Whisper משוחררים ברישיון MIT. ‏MIT הוא רישיון מתירני. בדרך כלל הוא מאפשר להשתמש, להעתיק, לשנות ולמכור תוכנה הבנויה על הקוד, כל עוד שומרים את הודעת זכויות היוצרים והרישיון.

שתי הסתייגויות. עותקים באתרים אחרים עשויים לשאת מטא-נתונים שונים של רישיון; דף large-v3 של Hugging Face מציין Apache-2.0. קראו את הרישיון המצורף לעותק שבו אתם משתמשים. הרישיון חל על התוכנה, לא על ההקלטות שמזינים לה. כללי הסכמה ופרטיות עדיין חלים על השמע. זהו מידע כללי ולא ייעוץ משפטי; נוסח רישיון MIT הוא המקור הרשמי.

למי Whisper מתאים?

Whisper מתאים למפתחים ולמי שנוח להם להשתמש בטרמינל ורוצים תמלול חינמי, פרטי וללא הגבלה. אם רוצים תמליל מוגמר עם עורך וייצוא, אפליקציה מתארחת בדרך כלל מהירה יותר.

אתם... אפשרות מתאימה למה
מפתחים הבונים מוצר Whisper בקוד פתוח או API שליטה מלאה בתהליך
חוקרים עם ריאיונות רגישים Whisper בקוד פתוח בהרצה מקומית השמע אינו עוזב את המחשב
יוצרים שזקוקים לכתוביות השבוע אפליקציה מתארחת עם ייצוא SRT או VTT ללא התקנה; קבצים מתוזמנים מוכנים להעלאה
משתמשים במחשב נייד ללא GPU מודל קטן מקומי או אפליקציה מתארחת מודלים גדולים דורשים כ-10 GB של VRAM

לפני שסומכים על תמליל Whisper: רשימת בדיקה

בנינו רשימה זו מסוגי הכשל במאמר ובכרטיס המודל של OpenAI:

  • בדקו מדגמית הפסקות וקטעי שקט למציאת משפטים שאיש לא אמר.
  • חפשו ביטוי שחוזר כמה פעמים ברצף.
  • בדקו את השורות הראשונות והאחרונות מול השמע.
  • אמתו שמות, מספרים ומונחים טכניים.
  • ודאו שהשפה זוהתה נכון או הגדירו אותה ידנית.
  • לצורך תרגום, ודאו שלא השתמשתם ב-turbo.
  • הוסיפו תוויות דוברים בכלי נפרד אם צריך.
  • קבלו את ההסכמה הנדרשת ואת אישור המארגן לפני הקלטת אחרים, וקבלו הסכמה לפני תמלול; צייתו לאיסורי הקלטה.

שאלות נפוצות

האם Whisper AI חינמי?

כן, הורדה והרצה של OpenAI Whisper הן בחינם. OpenAI מעניקה רישיון MIT לקוד ולמשקולות, כך שאפשר להשתמש בהם ללא תשלום ל-OpenAI. אתם מספקים את המחשב, ומודל large דורש בערך 10 GB של זיכרון GPU. אפשרויות מתארחות עולות כסף: ה-API של OpenAI מחייב לפי שימוש, ואפליקציות תמלול קובעות מסלולים משלהן. "חינמי" גם אינו אומר קל; תזדקקו ל-Python, ‏FFmpeg ונוחות מסוימת בשורת הפקודה.

האם Whisper יכול לזהות דוברים שונים?

לא בכוחות עצמו. Whisper כותב מה נאמר אך אינו מתייג מי אמר זאת. כרטיס המודל של OpenAI אומר שיכולות כמו הפרדת דוברים לא הוערכו באופן מקיף. כדי לקבל תוויות משלבים בדרך כלל את Whisper עם כלי הפרדה נפרד או משתמשים באפליקציית תמלול שמוסיפה זיהוי דוברים. לדוגמה, ב-whispertranscribe.ai יש אפשרות להפעיל זיהוי דוברים לפני התמלול. תמיד בדקו תוויות כשהקולות בהקלטה דומים.

האם Whisper יכול לתמלל בזמן אמת?

לא מיד לאחר ההתקנה. Whisper תוכנן לשמע מוקלט ומעבד אותו בחלונות של 30 שניות, וכרטיס המודל של OpenAI אומר שנדרשת עבודה נוספת לתמלול בזמן אמת. מפתחים בנו סביבו כלים כמעט בזמן אמת באמצעות הזנת מקטעים קצרים עם הגעתם. אם דרושות כתוביות חיות, חפשו כלי עם מצב חי ייעודי וצפו לכך שפלט חי ידרוש יותר תיקונים מתמליל של הקלטה מוגמרת.

בכמה שפות Whisper תומך?

Whisper מזהה כ-99 שפות, והטוקנייזר הנוכחי מונה 100 קודי שפה לאחר שנוספה קנטונזית ב-large-v3. האיכות משתנה מאוד. כרטיס המודל של OpenAI מדווח על תוצאות חזקות בכ-10 שפות, והמאמר מצא שלרוב השפות היו פחות מ-1,000 שעות שמע לאימון. לפני הסתמכות על שפה פחות נפוצה, בדקו קטע קצר. נתוני מוצרים, כמו יותר מ-130 השפות של whispertranscribe.ai, מתארים את התמיכה של כל מוצר ולא את המודל בקוד פתוח.

האם whispertranscribe.ai זהה ל-OpenAI Whisper?

לא. OpenAI Whisper הוא מודל בקוד פתוח שאתם מורידים ומריצים בעצמכם. whispertranscribe.ai הוא שירות תמלול נפרד בדפדפן; דף הבית מתאר אותו כמבוסס על Whisper ו-AI מהדור הבא. הוא מוסיף יכולות שאינן במודל הגולמי, כגון העלאות עד 5GB, ייבוא קישור מ-YouTube או Google Drive, זיהוי דוברים וייצוא DOCX, ‏PDF, ‏SRT ו-VTT. אפליקציות אחרות עם "Whisper" בשם הן מוצרים נפרדים של חברות נפרדות.

למה Whisper כותב לפעמים מילים שאיש לא אמר?

משום שהוא חוזה טקסט כמו מודל שפה. כרטיס המודל של OpenAI אומר שאימון על נתוני רשת גדולים ורועשים גורם למודל לפעמים להפיק מילים שאינן בשמע. לפי הסבר OpenAI, הוא משלב חיזוי המילה הבאה הסבירה עם תמלול מה שהוא שומע. מחקר מ-2024 מצא ביטויים מומצאים שלמים בכ-1% מהתמלילים שבדק, לעיתים קרובות יותר ליד הפסקות ארוכות. בדקו הפסקות, קטעי שקט וכל דבר חשוב מול השמע.


רוצים תמליל Whisper בלי התקנה? העלו קובץ או הדביקו קישור ב-whispertranscribe.ai וקבלו טקסט ביותר מ-130 שפות, עם ייצוא DOCX, ‏PDF, ‏SRT ו-VTT.

מקורות

רוצים להפוך את ההקלטות שלכם לטקסט?

תמללו אודיו ווידאו באמצעות whispertranscribe.ai.

להתחלת התמלול ↗