whispertranscribe.ai-ի խմբագրություն · Վերջին թարմացումը՝ 2026 թ. նոյեմբեր · 13 րոպե ընթերցում
Ի՞նչ է Whisper AI-ը։ Որոնումների մեծ մասում խոսքը OpenAI Whisper-ի մասին է՝ բաց կոդով խոսքի ճանաչման մոդել, որը OpenAI-ը հրապարակել է 2022 թ. սեպտեմբերին։ Այն ձայնագրված խոսքը վերածում է տեքստի, որոշում խոսքի լեզուն և կարող է այլ լեզուներից թարգմանել անգլերեն։ OpenAI-ը մարզել է այն համացանցի 680,000 ժամ ձայնագրությամբ և կոդն ու կշիռները թողարկել MIT լիցենզիայով։
Մենք ստեղծում ենք whispertranscribe.ai-ը։ whispertranscribe.ai-ը վեբ գործիք է, որը AI-ով աուդիոն և տեսանյութը դարձնում է տեքստ 130+ լեզվով։ Ուղեցույցում առանձին են ներկայացված բուն մոդելն ու դրա հիմքով արտադրանքները։ Մոդելի մասին թվերը վերցված են OpenAI-ի հոդվածից, պահոցից կամ մոդելի քարտից։
Կարճ պատասխան․ ի՞նչ է Whisper AI-ը
Whisper-ը խոսքից տեքստ ստանալու մոդել է։ Կարող եք այն ներբեռնել OpenAI-ի GitHub պահոցից և գործարկել ձեր համակարգչում կամ օգտագործել ծառայություն, որը մոդելը կգործարկի ձեր փոխարեն։
- Ստեղծողը․ OpenAI։ Խոսքի հուսալի ճանաչում թույլ վերահսկողությամբ լայնածավալ ուսուցման միջոցով հետազոտական հոդվածը arXiv-ում տեղադրվել է 2022 թ. դեկտեմբերի 6-ին։
- Ի՞նչ է անում․ վերծանում է խոսքը, ճանաչում լեզուն, խոսքը թարգմանում անգլերեն և ավելացնում հատվածների ժամանակային նշումները։
- Ի՞նչ լրացուցիչ գործիք է պահանջում․ խոսնակների նշումը և ուղիղ վերծանումը։ OpenAI-ի մոդելի քարտի համաձայն՝ լռելյայն այն հարմար չէ իրական ժամանակում վերծանելու համար։
- Չափերը․ վեց՝ tiny-ից (39 միլիոն պարամետր) մինչև large (1,550 միլիոն)։
- Արժեքը․ ներբեռնումն ու գործարկումն անվճար են։ Սարքավորումը տրամադրում եք դուք։
«Whisper AI»-ի երեք տարբեր իմաստները
Անվանումը հաճախ գործածվում է լայն իմաստով, ուստի երեք նշանակությունները հեշտ է շփոթել։
| Ինչն են անվանում «Whisper AI» | Ի՞նչ է | Ո՞վ է ստեղծել | Ինչպե՞ս օգտագործել |
|---|---|---|---|
| OpenAI Whisper | Բաց կոդով խոսքի ճանաչման մոդել | OpenAI | Ներբեռնեք կոդն ու կշիռները և ինքնուրույն գործարկեք |
| whisper-1 | OpenAI-ի սերվերներում աշխատող API մոդել՝ վերծանման համար | OpenAI | Ձայնային ֆայլերն ուղարկեք OpenAI API-ին և վճարեք ըստ օգտագործման |
| «Whisper» անունով հավելվածներ | Վերծանման արտադրանքներ, օրինակ՝ whisperai.com և whispertranscribe.ai (այս կայքը) | Առանձին ընկերություններ | Հավելվածներում վերբեռնեք կամ ձայնագրեք աուդիո |
Երրորդ տողի արտադրանքներից յուրաքանչյուրն ունի իր գործառույթները, սահմանափակումները, գներն ու գաղտնիության պայմանները։ Այս հոդվածում «Whisper» ասելով նկատի ունենք OpenAI-ի մոդելը։
Ինչպե՞ս է աշխատում Whisper-ը
Whisper-ը կոդավորիչ-ապակոդավորիչ Transformer է։ Կոդավորիչը 30 վայրկյան ձայնը վերածում է թվային ներկայացման։ Ապակոդավորիչը տալիս է համապատասխան տեքստը՝ մեկական տոկենով, իսկ հատուկ տոկենները ցույց են տալիս կատարվող առաջադրանքը։
Whisper-ի հոդվածը նկարագրում է քայլերը։
- Փոխել նմուշառման հաճախականությունը։ Ձայնը բերվում է 16,000 Հց-ի։
- Կտրել 30 վայրկյանանոց պատուհանների։ Մոդելը միշտ միանգամից դիտարկում է 30 վայրկյան։ Կարճ հատվածները լրացվում են մինչև այդ երկարությունը։
- Ստեղծել սպեկտրագիր։ Յուրաքանչյուր պատուհանը դառնում է 80 ալիքով լոգարիթմական Mel սպեկտրագիր, որը ցույց է տալիս ձայնային էներգիան ըստ հաճախականության։ Այն հաշվարկվում է 25 միլիվայրկյանանոց կադրերով յուրաքանչյուր 10 միլիվայրկյանը մեկ։ Large-v3-ում ալիքների թիվը դարձել է 128։
- Կոդավորել։ Երկու կոնվոլյուցիոն շերտ և Transformer բլոկների կույտ են մշակում սպեկտրագիրը։
- Ապակոդավորել։ Ապակոդավորիչը նախ կանխատեսում է լեզուն կամ «խոսք չկա» տոկենը։ Հետո գալիս է առաջադրանքը (վերծանել կամ թարգմանել), ժամանակային նշումները ներառելու որոշումը և բուն տեքստը։
Ժամանակային նշումները նույնպես կանխատեսվում են տոկեններով՝ կլորացվելով մինչև մոտակա 20 միլիվայրկյանը։ Այդպես մեկ մոդելը ճանաչում է լեզուն, վերծանում, թարգմանում ու նշում ժամանակը։
Ի՞նչ տվյալներով են մարզել Whisper-ը
Սկզբնական մոդելները սովորել են համացանցի 680,000 ժամ ձայնագրություններից՝ համապատասխան տեքստերով։ OpenAI-ը դա կոչում է «թույլ վերահսկողություն», քանի որ տեքստերը ձեռքով չեն ստուգվել ինչպես ստուգիչ տվյալաշարերը։
| Ուսուցման ձայնի բաժին | Ժամեր | Բովանդակություն |
|---|---|---|
| Մոտ 65% | 438,000 | Անգլերեն ձայն ու անգլերեն վերծանում |
| Մոտ 18% | 126,000 | Այլ լեզվով ձայն ու անգլերեն տեքստ (թարգմանության տվյալներ) |
| Մոտ 17% | 117,000 | Այլ լեզվով ձայն ու նույն լեզվով վերծանում |
Աղբյուրը OpenAI-ի Whisper մոդելի քարտն է։ Հոդվածը թարգմանության բաժինը կլորացնում է մինչև 125,000 ժամ։
Երկու մանրամասն բացատրում են Whisper-ի վարքի մեծ մասը։ OpenAI-ը զտել է մեքենայով ստեղծվածի նմանվող տեքստերը, օրինակ՝ միայն մեծատառերով գրվածները, ուստի մոդելը սովորել է գրել կետադրությամբ։ Վաղ մոդելները նաև փորձում էին գուշակել խոսնակների անունները, քանի որ համացանցային շատ վերծանումներ դրանք ներառում էին։ OpenAI-ը լրացուցիչ մարզմամբ վերացրել է այդ սովորությունը, սակայն այն ցույց է տալիս, թե որքան սերտորեն է մոդելն արտացոլում իր ուսուցման տեքստերը։
Large-v3-ն այլ կերպ է մարզվել՝ մոտ 5 միլիոն ժամ ձայնով։ Ըստ Hugging Face-ի մոդելի քարտի՝ 1 միլիոն ժամն ունեցել է համացանցային թույլ պիտակներ, 4 միլիոնը պիտակավորվել է large-v2-ով։
Whisper մոդելների չափերի համեմատություն
Whisper-ն ունի վեց չափ։ Փոքր մոդելներն արագ են աշխատում համեստ սարքավորումով։ Խոշորները քիչ են սխալվում, սակայն ավելի շատ տեսահիշողություն (VRAM) են պահանջում։ Ստորև թվերը OpenAI-ի README-ից են։
| Չափ | Պարամետրեր | Միայն անգլերեն տարբերակ | Բազմալեզու տարբերակ | Պահանջվող VRAM | Արագությունը large-ի նկատմամբ |
|---|---|---|---|---|---|
| tiny | 39 միլիոն | tiny.en | tiny | ~1 GB | ~10x |
| base | 74 միլիոն | base.en | base | ~1 GB | ~7x |
| small | 244 միլիոն | small.en | small | ~2 GB | ~4x |
| medium | 769 միլիոն | medium.en | medium | ~5 GB | ~2x |
| large | 1550 միլիոն | Չկա | large | ~10 GB | 1x |
| turbo | 809 միլիոն | Չկա | turbo | ~6 GB | ~8x |
OpenAI-ն արագությունը չափել է անգլերեն խոսքի վրա՝ տվյալների կենտրոնի A100 GPU-ով և նշում է, որ գործնական արագությունը կարող է էականորեն տարբերվել։ Նոութբուքում այն ավելի դանդաղ կլինի։
Ո՞ր Whisper մոդելն ընտրել
Հաշվի առեք հասանելի հիշողությունն ու վերծանման նպատակը։
- Փորձարկում համեստ համակարգչով․ tiny կամ base՝ շուրջ 1 GB VRAM։ Սպասեք ավելի շատ սխալների։
- Միայն անգլերեն․ օգտագործեք
.enմոդել։ OpenAI-ը նշում է, որ դրանք ավելի լավ են աշխատում, հատկապես tiny և base չափերով։ - Լավ որակ՝ ողջամիտ արագությամբ․ turbo՝ շուրջ 6 GB։ Հրամանատողում լռելյայն մոդելն է։
- Խոսքն անգլերեն թարգմանել․ medium կամ large։ Turbo-ն թարգմանության համար չի մարզվել և թարգմանություն խնդրելիս անգամ վերադարձնում է բնօրինակի լեզուն։
- Ամենադժվար ձայն և հնարավոր լավագույն արդյունք․ large՝ շուրջ 10 GB VRAM։
Whisper-ի տարբերակների ժամանակագրություն
«Large» անունն ընդգրկել է երեք թողարկում, իսկ turbo-ն large-v3-ի փոքրացված տարբերակն է։ Արդյունքները տարբերվում են ըստ մոդելի թողարկված կշիռների։
| Տարբերակ | Թողարկում | Ի՞նչ փոխվեց |
|---|---|---|
| Սկզբնական մոդելներ (tiny-ից large) | 2022 թ. սեպտեմբեր | Առաջին բաց կոդով թողարկումը՝ հոդվածի հետ |
| large-v2 | 2022 թ. դեկտեմբեր | Նույն չափը, 2.5 անգամ ավելի երկար մարզում՝ լրացուցիչ կանոնավորմամբ |
| large-v3 | 2023 թ. նոյեմբեր | 128 Mel ալիք, կանտոներենի նոր տոկեն, շատ լեզուներում 10%-ից 20% քիչ սխալ v2-ից |
| turbo (large-v3-turbo) | 2024 թ. սեպտեմբեր | Արագության համար ապակոդավորիչի շերտերը 32-ից կրճատվել են մինչև 4, թարգմանություն չկա |
Աղբյուրներն են Whisper-ի մոդելի քարտը, large-v2-ի մասին հոդվածի ծանոթագրությունը և Hugging Face-ի large-v3 ու large-v3-turbo քարտերը։
Քանի՞ լեզու է աջակցում Whisper-ը
Whisper-ը ճանաչում է մոտ 99 լեզու։ Հոդվածի լեզվի ճանաչիչը կիրառել է 99 լեզվի տոկեն։ Ներկայիս տոկենավորիչն ունի 100 լեզվի կոդ՝ large-v3-ում կանտոներենի ավելացումից հետո։ Որակը լեզվից լեզու տարբեր է։ Մոդելի քարտը բարձր արդյունքներ է նշում մոտ 10 լեզվի համար։
Որակը կապված է ուսուցման տվյալների հետ։ Հոդվածի համաձայն՝ տվյալ լեզվի արդյունքը լավ կանխատեսվում է մոդելի տեսած ժամերի քանակով, իսկ լեզուների մեծ մասի համար եղել է 1,000 ժամից պակաս։ Անգլերենը, իսպաներենը կամ գերմաներենը սովորաբար ավելի մաքուր են վերծանվում, քան սակավ տվյալներով լեզուն։ README-ն հղում է տալիս յուրաքանչյուր լեզվի սխալների գծապատկերին։
Ծառայության լեզուների քանակը առանձին ցուցանիշ է։ whispertranscribe.ai-ն աջակցում է 130+ լեզվի։ Սա մեր արտադրանքի հնարավորությունն է (գնային էջում նշված է «130+ լեզու և առոգանություն») և վերաբերում է հենց արտադրանքին։
Որքանո՞վ է ճշգրիտ Whisper-ը
Whisper-ի համար մեկ թիվ չկա, քանի որ ճշտությունը կախված է մոդելի չափից, լեզվից ու ձայնագրությունից։ Մաքուր ընթերցված անգլերենի դեպքում large-v2-ի բառերի սխալի գործակիցը (WER) եղել է 2.7%։ 14 անգլերեն ստուգիչ տվյալաշարերի միջինը, որոնց մեծ մասն ավելի դժվար էր, եղել է 12.8%։
WER-ը մարդու կողմից գրված ստուգիչ վերծանման հետ համեմատ որոշում է սխալ բառերի բաժինը՝ ներառյալ փոխարինված, բաց թողնված և ավելացված բառերը։ Ցածրն ավելի լավ է։ Ստորև թվերը հոդվածի աղյուսակ 2-ից են, որտեղ Whisper large-v2-ը համեմատվում է LibriSpeech աուդիոգրքերի տվյալաշարով մարզված wav2vec 2.0 մոդելի հետ։
| Ստուգիչ տվյալաշար | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (ընթերցված աուդիոգրքեր) | 2.7% | 2.7% |
| Common Voice (կամավորների ձայնագրած խոսք) | 29.9% | 9.0% |
| CHiME-6 (աղմկոտ ընթրիքների ձայնագրություններ) | 65.8% | 25.5% |
| Աղյուսակի բոլոր 14 ստուգիչ տվյալաշարերի միջինը | 29.3% | 12.8% |
Աուդիոգրքերի փորձարկման արդյունքն երկու մոդելների մոտ նույնն է, բայց մնացածում Whisper-ը շատ ավելի լավ է դիմանում բարդ պայմաններին՝ միջինը 55.2%-ով պակաս սխալներով։ OpenAI-ի հայտարարությունը կլորացնում է մինչև «50%-ով պակաս սխալ»։ Հոդվածի աղմուկի փորձարկումներում LibriSpeech-ով մարզված մոդելները գերազանցում են Whisper-ին գրեթե մաքուր ձայնի դեպքում, բայց հետ են մնում մարդաշատ բարին բնորոշ ֆոնային աղմուկի պայմաններում՝ ազդանշան-աղմուկ 10 dB-ից ցածր հարաբերակցությամբ։
Այս թվերը հետազոտական փորձարկումներից են, և ձեր ֆայլերի արդյունքը կախված է ձայնագրությունից։ Առանձին արտադրանքներն ունեն իրենց ցուցանիշները։ Օրինակ՝ whispertranscribe.ai-ը հստակ ձայնով հասնում է մինչև 99% ճշտության, իսկ ֆոնային աղմուկը, իրար վրա խոսելը և ուժեղ առոգանությունն իջեցնում են այն։
Որո՞նք են Whisper-ի սահմանափակումները
Հիմնական թույլ կողմն այն է, որ Whisper-ը կարող է գրել սահուն տեքստ, որը ոչ ոք չի ասել։ OpenAI-ի մոդելի քարտում սա կոչվում է հալյուցինացիա և կապվում թույլ վերահսկվող ուսուցման հետ։ Նշվում են նաև կրկնությունները, ըստ լեզվի և առոգանության անհավասար ճշտությունը և ներկառուցված խոսնակի նշումների բացակայությունը։
- Հորինված տեքստ։ 2024 թ. Careless Whisper ուսումնասիրության հետազոտողները գտել են, որ իրենց ստուգած վերծանումների մոտ 1%-ում կան ամբողջ արտահայտություններ կամ նախադասություններ, որոնք ձայնագրությունում չկան։ Հորինված տեքստն ավելի հաճախ է հանդիպել երկար դադարների դեպքում։
- Կրկնության օղակներ։ Մոդելը կարող է անընդհատ կրկնել մի արտահայտություն։ Ըստ մոդելի քարտի՝ ճառագայթային որոնումն ու այլ ջերմաստիճանով նոր փորձը որոշ չափով նվազեցնում են խնդիրը։
- Բաց թողնված առաջին կամ վերջին բառեր։ Հոդվածում նշվում է հատվածի առաջին կամ վերջին մի քանի բառերի բացթողումը։
- Երկար ձայնագրությունների բաժանում պատուհանների։ Whisper-ը միաժամանակ տեսնում է միայն 30 վայրկյան։ Երկար ֆայլերի համար վերծանման գործիքը տեղաշարժում է այդ պատուհանը կանխատեսված ժամանակային նշումներով։ Մի պատուհանի սխալը կարող է շեղել հաջորդը։
- Խոսնակի նշումներ չկան։ Մոդելի քարտի համաձայն՝ խոսնակների տարբերակումը՝ ով երբ է խոսել, մանրակրկիտ չի գնահատվել։ Դրա համար պետք է այլ գործիք։
- Լռելյայն ուղիղ չի աշխատում։ Մոդելը պատրաստվել է ձայնագրված ֆայլերի համար։ Ուղիղ ենթագրերի համար լրացուցիչ մշակում է պետք։
- Լեզվից և առոգանությունից կախված որակ։ Մոդելի քարտը նշում է սխալների բարձր մակարդակներ որոշ առոգանությունների, բարբառների ու ժողովրդագրական խմբերի դեպքում։
OpenAI-ը նաև զգուշացնում է մարդկանց առանց համաձայնության վերծանելու և բարձր ռիսկով որոշումների համար կիրառելու դեմ։
Որտե՞ղ են պաշտոնական աղբյուրները տարբերվում
OpenAI-ի սեփական փաստաթղթերում որոշ թվեր տարբեր են, հիմնականում կլորացման կամ տարբերակի պատճառով։ Մեջբերումից առաջ հաշվի առեք տարբերությունները։
| Թեմա | Մի պաշտոնական աղբյուրում | Մյուս աղբյուրում | Ինչ օգտագործել |
|---|---|---|---|
| Սխալների նվազումը LibriSpeech մոդելների նկատմամբ | Հոդված՝ միջինը 55.2% պակաս սխալ | OpenAI-ի հայտարարություն՝ 50% պակաս | Մեջբերեք հոդվածը և նշեք համեմատությունը |
| Անգլերենից բացի ուսուցման լեզուները | Հոդված՝ 96 այլ լեզու | Մոդելի քարտ՝ 98 լեզու | Ճանաչման համար «մոտ 99 լեզու» |
| Թարգմանության ուսուցման ժամերը | Մոդելի քարտ՝ 126,000 | Հոդված՝ 125,000 | Երկուսից մեկը՝ մոտավոր նշումով |
| Turbo-ի պարամետրերի թիվը | README և Hugging Face՝ 809 միլիոն | Մոդելի քարտի աղյուսակ՝ 798 միլիոն | 809 միլիոն՝ ամենից հաճախ նշված թիվը |
| Ուսուցման տվյալների չափը | Սկզբնական հոդված՝ 680,000 ժամ | Large-v3 քարտ՝ 5 միլիոն ժամ | Նշեք համապատասխան տարբերակը |
| Լիցենզիա | GitHub՝ MIT կոդի և կշիռների համար | Hugging Face-ի large-v3 մետատվյալներ՝ Apache-2.0 | Ստուգեք ներբեռնված պատճենի լիցենզիայի ֆայլը |
Ինչպես օգտագործել Whisper-ը․ ինքնուրույն գործարկել, կիրառել API կամ հավելված
Կան երեք գործնական եղանակներ։ Ինքնուրույն գործարկումն անվճար է, և ձայնը մնում է ձեր սարքում։ OpenAI-ի API-ն ազատում է տեղադրումից, բայց սահմանափակում է ֆայլի չափը։ Սերվերում աշխատող հավելվածն ավելացնում է խմբագրում, խոսնակների նշումներ ու արտահանում և երրորդ կողմի ծառայություն է՝ իր պայմաններով։
| Գործարկել բաց կոդով Whisper | OpenAI-ի վերծանման API | Սերվերում աշխատող հավելված | |
|---|---|---|---|
| Կարգավորում | Python, PyTorch և FFmpeg | Կոդ և API բանալի | Դիտարկիչ |
| Արժեք | Անվճար՝ ձեր սարքավորումով | Վճար ըստ օգտագործման | Անվճար մակարդակ կամ բաժանորդագրություն՝ ըստ հավելվածի |
| Ֆայլի սահմաններ | Ձեր սարքավորման հնարավորությունները | 25 MB մեկ ֆայլի համար | Սահմանում է հավելվածը |
| Ուր է գնում ձայնը | Մնում է ձեր համակարգչում | Ուղարկվում է OpenAI-ին | Ուղարկվում է հավելվածի սերվերներ |
| Խոսնակների նշումներ | Ներկառուցված չեն | whisper-1-ում չկան | Կախված է հավելվածից |
| Խմբագրում և արտահանում | TXT, SRT, VTT, TSV, JSON հրամանատողից | Վերադարձվում է ձեր կոդին, մնացածը ստեղծում եք դուք | Սովորաբար խմբագրիչ և փաստաթղթի ու ենթագրերի արտահանում |
Գործարկել Whisper-ը ձեր համակարգչում
OpenAI-ի README-ում տրված են տեղադրման ու պարզ գործարկման հրամանները։
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Պետք է նաև տեղադրել FFmpeg-ը։ Ըստ README-ի՝ կոդը պետք է աշխատի Python 3.8-ից 3.11 տարբերակներում։ Խոսքի լեզուն նշելու համար ավելացրեք --language, իսկ անգլերեն ստանալու համար բազմալեզու մոդելով օգտագործեք --task translate։ Մոդելի կշիռները ներբեռնվում են առաջին գործարկման ժամանակ։
Օգտագործել OpenAI-ի API-ն
OpenAI-ի խոսքից տեքստ ուղեցույցը նշում է մեկ ֆայլի 25 MB սահմանը։ Ավելի մեծ ֆայլերը սեղմեք կամ բաժանեք։ Անգլերեն հոդվածի՝ 2026 թ. նոյեմբերի ստուգման համաձայն՝ ուղեցույցում whisper-1-ը նշված է որպես հնացած, անջատման ամսաթիվը՝ 2027 թ. փետրվարի 26, իսկ մշակողներին ներկայացվում են ավելի նոր վերծանման մոդելներ։ Դրանք OpenAI-ի խոսքի այլ մոդելներ են, իսկ բաց կոդով Whisper-ն ունի իր թողարկումները։
Օգտագործել սերվերում աշխատող վերծանման հավելված
Եթե ցանկանում եք սկսել առանց տեղադրման, հավելվածը ֆայլերը կմշակի իր սերվերներում։ Օրինակ է whispertranscribe.ai-ը, որի ձայնից տեքստ անվճար փոխարկիչը արագ փորձարկում է թույլ տալիս։ Մեր գլխավոր էջում նշված է, որ whispertranscribe.ai-ը հիմնված է Whisper-ի ու նոր սերնդի AI-ի վրա։ Արտադրանքի էջերում նշված են այս հնարավորությունները։
- Վերբեռնեք մինչև 5GB ու մինչև 10 ժամ ձայնային կամ տեսաֆայլեր, կամ YouTube, Vimeo, Google Drive կամ Dropbox հղումը տեղադրեք Վերծանել հղումով գործիքում։
- 130+ լեզու և միացվող խոսնակների ճանաչում։
- Ուղիղ վերծանում խոսափողից և դիտարկիչում ձայնագրում ու վերծանում։
- Արտահանում DOCX, PDF, SRT, VTT, TXT և CSV ձևաչափերով, ներառյալ AI ենթագրերի ստեղծիչով պատրաստված ենթագրերը։
- Թարգմանել ձայնը անգլերեն այլ լեզվով ձայնագրությունների համար։
Ֆայլը մշակվում է ամպային ծառայությունում։ Ծառայությունը չի առաջարկում API, հատուկ բառացանկ կամ հանդիպման բոտ։ Վճարովի պլանները սկսվում են ամսական $9.99-ից՝ տարեկան վճարմամբ (գներ)։ Կարող եք սկսել անվճար՝ առանց հաշվի։ Մանրամասները տեսեք Whisper AI վերծանման գործիքի էջում կամ հնարավորությունների ամբողջական ցանկում։
Whisper-ը բա՞ց կոդով է և ի՞նչ է թույլ տալիս լիցենզիան
Այո։ OpenAI-ի պահոցի համաձայն՝ Whisper-ի կոդն ու մոդելի կշիռները թողարկված են MIT լիցենզիայով։ MIT-ը թույլատրող լիցենզիա է։ Ընդհանուր առմամբ այն թույլ է տալիս օգտագործել, պատճենել, փոփոխել և վաճառել կոդի վրա հիմնված ծրագիրը՝ պահպանելով հեղինակային իրավունքի ու լիցենզիայի ծանուցումները։
Հաշվի առեք երկու հանգամանք։ Այլ կայքերում պատճենները կարող են ունենալ այլ լիցենզիայի մետատվյալներ։ Hugging Face-ի large-v3 էջում նշված է Apache-2.0։ Կարդացեք ձեր պատճենին կցված լիցենզիան։ Այն վերաբերում է ծրագրին։ Ձայնագրության համար գործում են համաձայնության ու գաղտնիության կանոնները։ Սա ընդհանուր տեղեկություն է և իրավաբանական խորհրդատվություն չի հանդիսանում։ Պաշտոնական աղբյուրը MIT լիցենզիայի տեքստն է։
Ո՞ւմ համար է Whisper-ը
Whisper-ը հարմար է մշակողներին և հրամանատողին ծանոթ բոլոր նրանց, ովքեր ուզում են անվճար, տեղային և անսահմանափակ վերծանում։ Եթե պետք է պատրաստի տեքստ՝ խմբագրիչով ու արտահանմամբ, սերվերում աշխատող հավելվածը սովորաբար ավելի արագ է։
| Դուք… | Հարմար տարբերակ | Ինչու |
|---|---|---|
| Արտադրանք ստեղծող մշակող եք | Բաց կոդով Whisper կամ API | Լիակատար վերահսկում աշխատանքային ընթացքի վրա |
| Զգայուն հարցազրույցներ ունեցող հետազոտող եք | Տեղային գործարկվող բաց կոդով Whisper | Ձայնը մնում է ձեր սարքում |
| Այս շաբաթ ենթագրերի կարիք ունեցող բովանդակության հեղինակ եք | Սերվերում աշխատող SRT կամ VTT արտահանող հավելված | Առանց տեղադրման, վերբեռնման պատրաստ ժամանակավորված ֆայլեր |
| Օգտվում եք առանց GPU-ի նոութբուքից | Փոքր տեղային մոդել կամ սերվերում աշխատող հավելված | Խոշոր մոդելներին պետք է մոտ 10 GB VRAM |
Whisper-ի տեքստին վստահելուց առաջ․ ստուգացանկ
Ցանկը կազմել ենք OpenAI-ի հոդվածի ու մոդելի քարտի նկարագրած խափանումների հիման վրա։
- Ընտրովի ստուգեք դադարներն ու լուռ հատվածները՝ չասված նախադասություններ գտնելու համար։
- Փնտրեք նույն արտահայտության մի քանի հաջորդական կրկնություններ։
- Ֆայլի առաջին ու վերջին տողերը համեմատեք ձայնագրության հետ։
- Ստուգեք անունները, թվերն ու տեխնիկական տերմինները։
- Հաստատեք լեզվի ճիշտ ճանաչումը կամ սահմանեք այն ձեռքով։
- Թարգմանության համար համոզվեք, որ turbo չի օգտագործվել։
- Անհրաժեշտության դեպքում առանձին գործիքով ավելացրեք խոսնակների նշումները։
- Ուրիշներին ձայնագրելուց կամ վերծանելուց առաջ ստացեք անհրաժեշտ համաձայնությունը, իսկ առցանց դասախոսության համար՝ նաև կազմակերպչի թույլտվությունը։
Հաճախ տրվող հարցեր
Whisper AI-ն անվճա՞ր է։
Այո, OpenAI Whisper-ը կարելի է անվճար ներբեռնել ու գործարկել։ OpenAI-ը կոդն ու կշիռները տրամադրում է MIT լիցենզիայով, այնպես որ OpenAI-ին վճարելու կարիք չկա։ Համակարգիչը տրամադրում եք դուք, իսկ large մոդելին մոտ 10 GB GPU հիշողություն է պետք։ Սերվերում աշխատող տարբերակները կարող են վճարովի լինել։ OpenAI-ի API-ն վճար է վերցնում ըստ օգտագործման, իսկ հավելվածներն ունեն իրենց պլանները։ Ինքնուրույն գործարկելու համար անհրաժեշտ են Python, FFmpeg և հրամանատողից օգտվելու փորձ։
Whisper-ը կարո՞ղ է տարբերակել խոսնակներին։
Ինքնուրույն՝ ոչ։ Whisper-ը գրում է ասվածը, սակայն չի նշում, թե ով է ասել։ OpenAI-ի մոդելի քարտի համաձայն՝ խոսնակների տարբերակման նման կարողությունները մանրակրկիտ չեն գնահատվել։ Նշումներ ստանալու համար սովորաբար Whisper-ը համատեղում են առանձին տարբերակման գործիքի հետ կամ օգտվում խոսնակների ճանաչում ավելացնող հավելվածից։ Օրինակ՝ whispertranscribe.ai-ում վերծանումից առաջ կարելի է միացնել խոսնակների ճանաչումը։ Նման ձայներով ձայնագրություններում միշտ ստուգեք նշումները։
Whisper-ը կարո՞ղ է վերծանել իրական ժամանակում։
Լռելյայն չի կարող։ Whisper-ը ստեղծվել է ձայնագրված աուդիոյի համար և մշակում է այն 30 վայրկյանանոց պատուհաններով։ OpenAI-ի մոդելի քարտն ասում է, որ իրական ժամանակում վերծանելու համար լրացուցիչ մշակում է պետք։ Մշակողները ստեղծել են գրեթե իրական ժամանակում աշխատող գործիքներ՝ ձայնը հասնելուն պես կարճ կտորներով մոդելին փոխանցելով։ Ուղիղ ենթագրերի համար փնտրեք հատուկ ուղիղ ռեժիմ և նախատեսեք ավելի շատ ուղղումներ, քան ամբողջական ձայնագրության տեքստի դեպքում։
Քանի՞ լեզու է աջակցում Whisper-ը։
Whisper-ը ճանաչում է մոտ 99 լեզու։ Տոկենավորիչը ցուցակում ունի 100 լեզվի կոդ՝ large-v3-ում կանտոներենի ավելացումից հետո։ Որակը զգալիորեն տարբերվում է։ OpenAI-ի մոդելի քարտը լավ արդյունք է նշում մոտ 10 լեզվի համար, իսկ հոդվածը ցույց է տալիս, որ լեզուների մեծ մասն ունեցել է 1,000 ժամից պակաս ուսուցման ձայն։ Քիչ տարածված լեզվի դեպքում նախ կարճ հատված փորձեք։ Արտադրանքի թվերը, օրինակ՝ whispertranscribe.ai-ի 130+ լեզուները, վերաբերում են տվյալ արտադրանքին։
whispertranscribe.ai-ը և OpenAI Whisper-ը նո՞ւյնն են։
Դրանք առանձին են։ OpenAI Whisper-ը բաց կոդով մոդել է, որը ինքնուրույն ներբեռնում ու գործարկում եք։ whispertranscribe.ai-ն դիտարկիչային վերծանման ծառայություն է։ Ըստ գլխավոր էջի՝ այն հիմնված է Whisper-ի ու նոր սերնդի AI-ի վրա։ Ծառայությունն ավելացնում է մինչև 5GB վերբեռնում, YouTube-ի կամ Google Drive-ի հղումով ներմուծում, խոսնակների ճանաչում և DOCX, PDF, SRT ու VTT արտահանում։ «Whisper» անունով մյուս հավելվածները տարբեր ընկերությունների առանձին արտադրանքներ են։
Ինչո՞ւ է Whisper-ը երբեմն գրում բառեր, որոնք ոչ ոք չի ասել։
Այն լեզվական մոդելի պես կանխատեսում է տեքստը։ OpenAI-ի մոդելի քարտում նշվում է, որ մեծածավալ աղմկոտ համացանցային տվյալներով մարզումը երբեմն հանգեցնում է ձայնում չեղած բառերի։ Ըստ OpenAI-ի՝ մոդելը հաջորդ հավանական բառի կանխատեսումը համատեղում է լսածի վերծանման հետ։ 2024 թ. ուսումնասիրությունը իր ստուգած տեքստերի մոտ 1%-ում գտել է ամբողջական հորինված արտահայտություններ, ավելի հաճախ՝ երկար դադարների մոտ։ Ձայնագրության հետ համեմատելով ստուգեք դադարները, լուռ հատվածներն ու ամեն կարևոր հատված։
Whisper-ով տեքստ եք ուզո՞ւմ՝ առանց տեղադրման։ Ֆայլ վերբեռնեք կամ հղում տեղադրեք whispertranscribe.ai-ում և ստացեք տեքստ 130+ լեզվով՝ DOCX, PDF, SRT ու VTT արտահանմամբ։
Աղբյուրներ
- OpenAI՝ ծանոթացեք Whisper-ին (2022 թ. սեպտեմբերի 21)
- Radford և այլ հեղինակներ՝ խոսքի հուսալի ճանաչում թույլ վերահսկողությամբ լայնածավալ ուսուցման միջոցով (arXiv 2212.04356)
- OpenAI՝ Whisper-ի GitHub պահոց և README, մոդելի քարտ և MIT լիցենզիա
- Hugging Face՝ openai/whisper-large-v3 մոդելի քարտ
- OpenAI API փաստաթղթեր՝ խոսքից տեքստ ուղեցույց (ստուգված՝ 2026 թ. նոյեմբեր)
- Koenecke և այլ հեղինակներ՝ Careless Whisper․ խոսքի վերծանման հալյուցինացիաների վնասները (arXiv 2402.08021)
