Oleh Tim Editorial whispertranscribe.ai · Terakhir diperbarui: November 2026 · Waktu baca 13 menit
Apa itu Whisper AI? Dalam sebagian besar pencarian, istilah ini berarti OpenAI Whisper, model pengenalan ucapan sumber terbuka yang diterbitkan OpenAI pada September 2022. Model ini mengubah ucapan yang direkam menjadi teks, mengidentifikasi bahasa yang digunakan, dan dapat menerjemahkan bahasa lain ke bahasa Inggris. OpenAI melatihnya dengan 680,000 jam audio web dan merilis kode serta bobotnya di bawah Lisensi MIT.
Sebagai keterbukaan: kami membuat whispertranscribe.ai. whispertranscribe.ai adalah alat transkripsi AI berbasis web yang mengubah audio dan video menjadi teks dalam lebih dari 130 bahasa. Panduan ini membedakan model dan produk yang dibangun di sekitarnya, dan setiap angka tentang model berasal dari makalah, repositori, atau kartu model OpenAI sendiri.
Jawaban singkat: apa itu Whisper AI?
Whisper adalah model speech-to-text, bukan aplikasi atau perusahaan. Anda dapat mengunduhnya dari repositori GitHub OpenAI dan menjalankannya di komputer sendiri, atau menggunakan layanan yang menjalankannya untuk Anda.
- Dibuat oleh: OpenAI. Makalah penelitian Robust Speech Recognition via Large-Scale Weak Supervision diposting di arXiv pada 6 Desember 2022.
- Fungsinya: mentranskripsikan ucapan, mendeteksi bahasa, menerjemahkan ucapan ke bahasa Inggris, dan menambahkan timestamp segmen.
- Yang tidak dilakukan langsung: memberi label siapa yang berbicara atau mentranskripsikan secara langsung. Kartu model OpenAI menyatakan model tidak dapat digunakan untuk transkripsi realtime tanpa pengembangan tambahan.
- Ukuran: enam, dari tiny (39 juta parameter) hingga large (1,550 juta).
- Biaya: gratis untuk diunduh dan dijalankan. Anda menyediakan perangkat keras.
"Whisper AI" dapat berarti tiga hal berbeda
Nama ini digunakan secara longgar dan ketiga arti ini mudah tertukar.
| Yang disebut orang "Whisper AI" | Artinya | Pembuat | Cara menggunakannya |
|---|---|---|---|
| OpenAI Whisper | Model pengenalan ucapan sumber terbuka | OpenAI | Unduh kode dan bobot, jalankan sendiri |
| whisper-1 | Model API OpenAI yang di-host untuk transkripsi | OpenAI | Kirim file audio ke API OpenAI dan bayar sesuai penggunaan |
| Aplikasi dengan "Whisper" dalam namanya | Produk transkripsi, seperti whisperai.com dan whispertranscribe.ai (situs ini) | Perusahaan terpisah | Unggah atau rekam audio di aplikasi mereka |
Produk di baris ketiga bukan model itu sendiri dan tidak saling menggantikan. Setiap perusahaan menetapkan fitur, batas, harga, dan ketentuan privasi sendiri. Dalam artikel ini, "Whisper" berarti model OpenAI.
Bagaimana cara kerja Whisper?
Whisper adalah Transformer encoder-decoder. Encoder mengubah 30 detik audio menjadi representasi numerik, dan decoder menulis teks yang sesuai satu token demi satu token, diarahkan oleh token khusus yang memberi tahu tugasnya.
Makalah Whisper menjelaskan alur ini:
- Resampling. Audio diubah menjadi 16,000 Hz.
- Bagi menjadi jendela 30 detik. Model selalu melihat 30 detik sekaligus. Klip lebih pendek diberi padding.
- Buat spektrogram. Setiap jendela menjadi spektrogram log-Mel 80 channel, gambaran perubahan energi suara pada berbagai frekuensi, dihitung pada frame 25 milidetik setiap 10 milidetik. (Large-v3 beralih ke 128 channel.)
- Encode. Dua lapisan konvolusi dan tumpukan blok Transformer memproses spektrogram.
- Decode. Decoder pertama memprediksi bahasa atau token "no speech". Berikutnya tugas (transkripsi atau terjemahan), lalu apakah timestamp disertakan, dan terakhir teks itu sendiri.
Timestamp juga diprediksi sebagai token, dibulatkan ke 20 milidetik terdekat. Begitulah satu model menangani deteksi bahasa, transkripsi, terjemahan, dan waktu.
Whisper dilatih dengan apa?
Model asli belajar dari 680,000 jam audio internet dengan transkrip yang sesuai. OpenAI menyebutnya "weak supervision" karena transkrip tidak diperiksa manual seperti dataset benchmark.
| Bagian audio pelatihan | Jam | Isi |
|---|---|---|
| Sekitar 65% | 438,000 | Audio Inggris dengan transkrip Inggris |
| Sekitar 18% | 126,000 | Audio non-Inggris dengan transkrip Inggris (data terjemahan) |
| Sekitar 17% | 117,000 | Audio non-Inggris dengan transkrip dalam bahasa yang sama |
Sumber: kartu model Whisper OpenAI. Makalah membulatkan bagian terjemahan menjadi 125,000 jam.
Dua hal menjelaskan banyak perilaku Whisper. OpenAI menyaring transkrip yang tampak dibuat mesin, seperti teks seluruhnya huruf kapital, sehingga model belajar menulis kalimat dengan tanda baca. Model awal juga cenderung menebak nama pembicara karena banyak transkrip web menyertakannya. OpenAI melakukan fine-tuning untuk mengurangi kebiasaan itu, tetapi ini menunjukkan seberapa dekat model mencerminkan teks pelatihannya.
Large-v3 dilatih secara berbeda, dengan sekitar 5 juta jam: 1 juta dengan label web lemah dan 4 juta diberi label oleh large-v2, menurut kartu model Hugging Face.
Perbandingan ukuran model Whisper
Whisper tersedia dalam enam ukuran. Model lebih kecil berjalan lebih cepat pada perangkat keras sederhana; model lebih besar membuat lebih sedikit kesalahan tetapi membutuhkan lebih banyak memori video (VRAM). Angka berikut disalin dari README OpenAI.
| Ukuran | Parameter | Versi hanya Inggris | Versi multibahasa | VRAM yang diperlukan | Kecepatan relatif terhadap 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 | Tidak ada | large | ~10 GB | 1x |
| turbo | 809 M | Tidak ada | turbo | ~6 GB | ~8x |
OpenAI mengukur kecepatan ini pada ucapan Inggris dengan GPU pusat data A100 dan menyatakan kecepatan nyata dapat sangat berbeda. Laptop akan lebih lambat.
Model Whisper mana yang sebaiknya dipilih?
Mulai dari memori yang tersedia dan tujuan transkrip:
- Menguji pada mesin dasar: tiny atau base, sekitar 1 GB VRAM. Perkirakan lebih banyak kesalahan.
- Hanya bahasa Inggris: gunakan model
.en. OpenAI menyatakan hasilnya lebih baik, terutama pada ukuran tiny dan base. - Kualitas baik dengan kecepatan wajar: turbo, sekitar 6 GB. Ini default baris perintah.
- Menerjemahkan ucapan ke bahasa Inggris: medium atau large. Turbo tidak dilatih untuk penerjemahan dan mengembalikan bahasa asli meskipun diminta menerjemahkan.
- Audio paling sulit, hasil terbaik: large, sekitar 10 GB VRAM.
Versi Whisper: linimasa singkat
"Large" telah mencakup tiga rilis, dan turbo adalah large-v3 yang diringankan. Versi penting karena hasil berbeda menurut checkpoint.
| Versi | Dirilis | Perubahan |
|---|---|---|
| Model asli (tiny hingga large) | September 2022 | Rilis sumber terbuka pertama dengan makalah |
| large-v2 | Desember 2022 | Ukuran sama, dilatih 2.5 kali lebih lama dengan regularisasi tambahan |
| large-v3 | November 2023 | 128 channel Mel, token Kanton baru, kesalahan 10% hingga 20% lebih sedikit daripada v2 di banyak bahasa |
| turbo (large-v3-turbo) | September 2024 | Lapisan decoder dipotong dari 32 menjadi 4 demi kecepatan; tanpa terjemahan |
Sumber: kartu model Whisper, catatan kaki makalah tentang large-v2, dan kartu Hugging Face untuk large-v3 dan large-v3-turbo.
Berapa bahasa yang didukung Whisper?
Whisper mengenali sekitar 99 bahasa. Detektor bahasa dalam makalah menggunakan 99 token bahasa, dan tokenizer saat ini mencantumkan 100 kode bahasa setelah large-v3 menambahkan Kanton. Dukungan tidak sama dengan kualitas: kartu model menyatakan Whisper menunjukkan hasil kuat dalam sekitar 10 bahasa.
Kualitas berkaitan dengan data pelatihan. Makalah menemukan kinerja suatu bahasa sangat dapat diprediksi oleh jumlah jam yang dilihat model dan sebagian besar bahasa memiliki kurang dari 1,000 jam. Bahasa Inggris, Spanyol, atau Jerman biasanya lebih jelas daripada bahasa dengan sumber daya rendah. README menautkan grafik kesalahan per bahasa jika Anda ingin memeriksanya.
Jangan samakan dengan jumlah produk. whispertranscribe.ai mendukung lebih dari 130 bahasa. Angka itu adalah dukungan bahasa produk kami (halaman harga menyatakan "130+ languages & accents"), bukan sifat model Whisper sumber terbuka.
Seberapa akurat Whisper?
Tidak ada satu angka akurasi Whisper karena bergantung pada ukuran model, bahasa, dan rekaman. Pada bahasa Inggris yang dibaca dengan jelas, large-v2 memperoleh word error rate (WER) 2.7%. Rata-rata pada 14 set uji Inggris, sebagian besar lebih sulit, adalah 12.8%.
WER menghitung kata yang diganti, dihilangkan, atau ditambahkan sistem dibandingkan transkrip referensi manusia, dibagi jumlah kata referensi. Semakin rendah semakin baik; karena penambahan juga dihitung, WER bukan persentase pasti kata yang salah. Angka berikut berasal dari Tabel 2 makalah, yang membandingkan Whisper large-v2 dengan model wav2vec 2.0 yang dilatih pada dataset buku audio LibriSpeech:
| Set pengujian | WER wav2vec 2.0 | WER Whisper large-v2 |
|---|---|---|
| LibriSpeech clean (buku audio yang dibaca) | 2.7% | 2.7% |
| Common Voice (ucapan yang direkam masyarakat) | 29.9% | 9.0% |
| CHiME-6 (rekaman pesta makan malam bising) | 65.8% | 25.5% |
| Rata-rata seluruh 14 set uji dalam tabel | 29.3% | 12.8% |
Pola ini penting. Kedua model sama pada uji buku audio, tetapi Whisper jauh lebih baik pada sisanya, dengan rata-rata 55.2% lebih sedikit kesalahan. Pengumuman OpenAI membulatkannya menjadi "50% lebih sedikit kesalahan". Dalam uji kebisingan makalah, model yang dilatih pada LibriSpeech mengungguli Whisper pada audio hampir bersih tetapi tertinggal saat kebisingan latar bergaya pub meningkat, di bawah rasio sinyal terhadap kebisingan 10 dB.
Ini adalah benchmark penelitian, bukan janji untuk file Anda, dan klaim produk terpisah. whispertranscribe.ai, misalnya, mencapai akurasi hingga 99% pada audio jelas, dan kebisingan latar, suara tumpang tindih, serta aksen kuat menurunkannya.
Apa keterbatasan Whisper?
Kelemahan utama Whisper adalah dapat menulis teks lancar yang tidak diucapkan siapa pun. Kartu model OpenAI menyebutnya halusinasi dan mengaitkannya dengan pelatihan yang diawasi secara lemah. Kartu itu juga mencantumkan pengulangan, akurasi yang tidak merata antarbahasa dan aksen, serta tidak adanya label pembicara bawaan.
- Teks halusinasi. Dalam studi 2024, Careless Whisper, peneliti menemukan sekitar 1% transkripsi yang diperiksa mengandung frasa atau kalimat lengkap yang tidak ada dalam audio. Halusinasi lebih sering terjadi saat jeda bicara panjang.
- Pengulangan. Model dapat terjebak mengulang frasa. Beam search dan temperature fallback menguranginya sampai batas tertentu, menurut kartu model, tetapi tidak sepenuhnya.
- Kata pertama atau terakhir hilang. Makalah mencantumkan terlewatnya beberapa kata pertama atau terakhir segmen sebagai kegagalan yang dikenal.
- Rekaman panjang memerlukan pembagian jendela. Whisper hanya melihat 30 detik sekaligus. Untuk file lebih panjang, alat transkripsi menggeser jendela menggunakan timestamp yang diprediksi, sehingga kesalahan dalam satu jendela dapat mengganggu berikutnya.
- Tidak ada label pembicara. Diarization, menentukan siapa berbicara kapan, tidak dievaluasi secara menyeluruh menurut kartu model. Anda membutuhkan alat terpisah.
- Tidak realtime secara default. Model dibuat untuk file rekaman. Caption langsung membutuhkan pengembangan tambahan.
- Tidak merata menurut bahasa dan aksen. Kartu model mencatat tingkat kesalahan lebih tinggi pada beberapa aksen, dialek, dan kelompok demografis.
OpenAI juga memperingatkan agar tidak mentranskripsikan orang tanpa persetujuan mereka dan tidak menggunakannya untuk pengambilan keputusan berisiko tinggi.
Perbedaan antar sumber resmi
Beberapa angka berbeda di antara dokumen OpenAI sendiri, terutama karena pembulatan atau perubahan versi. Periksa sebelum mengutip angka:
| Topik | Satu sumber resmi menyatakan | Sumber lain menyatakan | Yang digunakan |
|---|---|---|---|
| Pengurangan kesalahan dibandingkan model LibriSpeech | Makalah: rata-rata 55.2% lebih sedikit kesalahan | Pengumuman OpenAI: 50% lebih sedikit | Kutip makalah dan sebutkan pembanding |
| Bahasa dalam data pelatihan selain Inggris | Makalah: 96 bahasa lain | Kartu model: 98 bahasa | "Sekitar 99 bahasa" untuk pengenalan |
| Jam pelatihan terjemahan | Kartu model: 126,000 | Makalah: 125,000 | Salah satu, dengan label perkiraan |
| Jumlah parameter turbo | README dan Hugging Face: 809 M | Tabel kartu model: 798 M | 809 M, angka yang digunakan sebagian besar sumber |
| Ukuran data pelatihan | Makalah asli: 680,000 jam | Kartu large-v3: 5 juta jam | Sebutkan versi yang dimaksud |
| Lisensi | GitHub: MIT untuk kode dan bobot | Metadata Hugging Face large-v3: Apache-2.0 | Periksa file lisensi salinan yang diunduh |
Cara menggunakan Whisper: jalankan sendiri, panggil API, atau gunakan aplikasi
Ada tiga cara praktis. Menjalankan Whisper sendiri gratis dan menjaga audio tetap di mesin Anda. API OpenAI menghilangkan pengaturan tetapi membatasi ukuran file. Aplikasi transkripsi yang di-host menambahkan penyuntingan, label pembicara, dan ekspor, tetapi merupakan layanan pihak ketiga dengan ketentuannya sendiri.
| Jalankan Whisper sumber terbuka | API transkripsi OpenAI | Aplikasi transkripsi yang di-host | |
|---|---|---|---|
| Pengaturan | Python, PyTorch, dan FFmpeg | Kode dan API key | Browser |
| Biaya | Gratis; perangkat keras Anda | Bayar sesuai penggunaan | Paket gratis atau langganan, berbeda menurut aplikasi |
| Batas file | Perangkat keras Anda | 25 MB per file | Ditetapkan masing-masing aplikasi |
| Ke mana audio pergi | Tetap di komputer Anda | Dikirim ke OpenAI | Dikirim ke server aplikasi |
| Label pembicara | Tidak bawaan | Tidak dalam whisper-1 | Tergantung aplikasi |
| Penyuntingan dan ekspor | TXT, SRT, VTT, TSV, JSON dari baris perintah | Dikembalikan ke kode Anda; sisanya Anda buat | Biasanya editor ditambah ekspor dokumen dan subtitle |
Jalankan Whisper di komputer sendiri
README OpenAI memberikan perintah instalasi dan penggunaan dasar:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Anda juga perlu memasang FFmpeg, dan README menyatakan kode seharusnya berjalan pada Python 3.8 hingga 3.11. Tambahkan --language untuk menyebut bahasa yang digunakan, atau --task translate dengan model multibahasa untuk mendapatkan bahasa Inggris. Bobot model diunduh saat penggunaan pertama.
Gunakan API OpenAI
Panduan speech-to-text OpenAI membatasi unggahan hingga 25 MB per file, jadi kompres atau bagi file yang lebih besar. Sebagaimana diperiksa November 2026, panduan menandai whisper-1 sebagai deprecated dan mencantumkan tanggal penghentian 26 Februari 2027, serta mengarahkan pengembang ke model transkripsi yang lebih baru. Model baru tersebut adalah model ucapan OpenAI, bukan rilis baru keluarga Whisper sumber terbuka.
Gunakan aplikasi transkripsi yang di-host
Jika tidak ingin memasang apa pun, aplikasi yang di-host memproses file di servernya. whispertranscribe.ai adalah salah satu pilihan, dan konverter audio ke teks gratis adalah cara cepat mencobanya. Halaman utama kami menggambarkan whispertranscribe.ai sebagai didukung Whisper dan AI generasi berikutnya. Berikut penawaran dari halaman produk kami:
- Unggah file audio atau video hingga 5GB dan 10 jam, atau tempel tautan YouTube, Vimeo, Google Drive, atau Dropbox ke Transcribe from URL.
- Lebih dari 130 bahasa, dengan deteksi pembicara yang dapat diaktifkan.
- Transkripsi langsung dari mikrofon, serta rekam dan transkripsikan di browser.
- Ekspor dalam DOCX, PDF, SRT, VTT, TXT, dan CSV, termasuk subtitle dari pembuat subtitle AI.
- Terjemahkan audio ke bahasa Inggris untuk rekaman non-Inggris.
Ada kompromi. File Anda masuk ke layanan cloud alih-alih tetap di komputer. Kami tidak menawarkan API, kosakata khusus, atau bot rapat. Paket berbayar mulai dari $9.99/bulan dengan penagihan tahunan (harga), dan Anda dapat memulai gratis tanpa akun. Lihat halaman alat transkripsi Whisper AI atau semua fitur untuk rincian.
Apakah Whisper sumber terbuka, dan apa yang diizinkan lisensinya?
Ya. Repositori OpenAI menyatakan kode dan bobot model Whisper dirilis di bawah Lisensi MIT. MIT adalah lisensi permisif. Secara umum, lisensi ini memungkinkan Anda menggunakan, menyalin, memodifikasi, dan menjual perangkat lunak yang dibangun di atas kode tersebut, selama pemberitahuan hak cipta dan lisensi dipertahankan.
Dua catatan. Salinan di situs lain dapat memiliki metadata lisensi berbeda; halaman large-v3 Hugging Face mencantumkan Apache-2.0. Baca lisensi yang menyertai salinan yang Anda gunakan. Lisensi mencakup perangkat lunak, bukan rekaman yang dimasukkan. Aturan persetujuan dan privasi tetap berlaku untuk audio; dapatkan persetujuan yang diperlukan sebelum merekam. Ini informasi umum, bukan nasihat hukum; teks lisensi MIT adalah sumber resmi.
Untuk siapa Whisper?
Whisper cocok untuk pengembang dan siapa pun yang nyaman menggunakan terminal dan menginginkan transkripsi gratis, privat, dan tanpa batas. Jika Anda menginginkan transkrip jadi dengan editor dan ekspor, aplikasi yang di-host biasanya lebih cepat.
| Anda adalah… | Pilihan cocok | Alasan |
|---|---|---|
| Pengembang yang membangun produk | Whisper sumber terbuka atau API | Kendali penuh atas alur |
| Peneliti dengan wawancara sensitif | Whisper sumber terbuka, dijalankan lokal | Audio tidak meninggalkan mesin |
| Kreator yang membutuhkan subtitle minggu ini | Aplikasi yang di-host dengan ekspor SRT atau VTT | Tanpa pengaturan; file berwaktu siap diunggah |
| Pengguna laptop tanpa GPU | Model kecil secara lokal, atau aplikasi yang di-host | Model large membutuhkan sekitar 10 GB VRAM |
Sebelum mempercayai transkrip Whisper: daftar periksa
Kami membuat daftar ini dari kegagalan dalam makalah dan kartu model OpenAI:
- Periksa jeda dan bagian hening untuk kalimat yang tidak diucapkan siapa pun.
- Cari frasa yang sama diulang beberapa kali berturut-turut.
- Periksa baris pertama dan terakhir file terhadap audio.
- Verifikasi nama, angka, dan istilah teknis.
- Pastikan bahasa terdeteksi dengan benar atau atur secara manual.
- Untuk terjemahan, pastikan Anda tidak menggunakan turbo.
- Tambahkan label pembicara dengan alat terpisah jika diperlukan.
- Dapatkan persetujuan yang diperlukan sebelum merekam atau mentranskripsikan orang lain.
FAQ
Apakah Whisper AI gratis?
Ya, OpenAI Whisper gratis untuk diunduh dan dijalankan. OpenAI melisensikan kode dan bobot model di bawah MIT, sehingga Anda dapat menggunakannya tanpa membayar OpenAI. Anda menyediakan komputer, dan model large membutuhkan sekitar 10 GB memori GPU. Opsi yang di-host berbayar: API OpenAI menagih berdasarkan penggunaan dan aplikasi transkripsi menetapkan paket sendiri. "Gratis" juga tidak berarti mudah; Anda membutuhkan Python, FFmpeg, dan kenyamanan menggunakan baris perintah.
Bisakah Whisper mengidentifikasi pembicara yang berbeda?
Tidak, dengan sendirinya. Whisper menulis apa yang dikatakan tetapi tidak memberi label siapa yang mengatakannya. Kartu model OpenAI menyatakan kemampuan seperti speaker diarization tidak dievaluasi secara menyeluruh. Untuk mendapatkan label, orang biasanya memasangkan Whisper dengan alat diarization terpisah atau menggunakan aplikasi transkripsi yang menambahkan deteksi pembicara. whispertranscribe.ai, misalnya, memiliki opsi deteksi pembicara yang dapat diaktifkan sebelum transkripsi. Selalu periksa label pada rekaman dengan suara yang mirip.
Bisakah Whisper mentranskripsikan secara realtime?
Tidak langsung. Whisper dirancang untuk audio rekaman dan memprosesnya dalam jendela 30 detik, dan kartu model OpenAI menyatakan tidak dapat digunakan untuk transkripsi realtime tanpa pekerjaan tambahan. Pengembang telah membangun alat mendekati realtime dengan memasukkan potongan pendek saat tiba. Jika membutuhkan caption langsung, cari alat dengan mode langsung khusus, dan perkirakan hasil langsung membutuhkan lebih banyak perapian daripada transkrip dari rekaman yang sudah selesai.
Berapa bahasa yang didukung Whisper?
Whisper mengenali sekitar 99 bahasa, dan tokenizer saat ini mencantumkan 100 kode bahasa setelah Kanton ditambahkan di large-v3. Kualitas sangat berbeda. Kartu model OpenAI melaporkan hasil kuat dalam sekitar 10 bahasa, dan makalah menemukan sebagian besar bahasa memiliki kurang dari 1,000 jam audio pelatihan. Sebelum mengandalkan bahasa yang kurang umum, uji klip singkat. Angka produk, seperti lebih dari 130 bahasa whispertranscribe.ai, menggambarkan dukungan produk masing-masing, bukan model sumber terbuka.
Apakah whispertranscribe.ai sama dengan OpenAI Whisper?
Tidak. OpenAI Whisper adalah model sumber terbuka yang Anda unduh dan jalankan sendiri. whispertranscribe.ai adalah layanan transkripsi berbasis browser yang terpisah; halaman utamanya menggambarkannya sebagai didukung Whisper dan AI generasi berikutnya. Layanan menambahkan hal yang tidak disertakan model mentah, seperti unggahan hingga 5GB, impor tautan dari YouTube atau Google Drive, deteksi pembicara, dan ekspor DOCX, PDF, SRT, dan VTT. Aplikasi lain dengan "Whisper" dalam namanya adalah produk terpisah dari perusahaan berbeda.
Mengapa Whisper terkadang menulis kata yang tidak diucapkan siapa pun?
Karena model memprediksi teks seperti model bahasa. Kartu model OpenAI menyatakan pelatihan pada data web besar dan bising menyebabkan model terkadang menghasilkan kata yang tidak ada dalam audio. Penjelasan OpenAI adalah model menggabungkan prediksi kata berikut yang mungkin dengan transkripsi yang didengarnya. Studi 2024 menemukan frasa rekaan lengkap pada sekitar 1% transkripsi yang diperiksa, lebih sering di sekitar jeda panjang. Periksa jeda, bagian hening, dan hal penting terhadap audio.
Ingin transkrip Whisper tanpa pengaturan? Unggah file atau tempel tautan ke whispertranscribe.ai dan dapatkan teks dalam lebih dari 130 bahasa, dengan ekspor DOCX, PDF, SRT, dan VTT.
Referensi
- OpenAI: Memperkenalkan Whisper (21 September 2022)
- Radford dkk.: Pengenalan Ucapan Tangguh melalui Supervisi Lemah Skala Besar (arXiv 2212.04356)
- OpenAI: Repositori dan README Whisper di GitHub, kartu model, dan lisensi MIT
- Hugging Face: Kartu model openai/whisper-large-v3
- Dokumentasi API OpenAI: Panduan Speech to Text (diperiksa November 2026)
- Koenecke dkk.: Careless Whisper: Dampak Halusinasi Speech-to-Text (arXiv 2402.08021)
