Dening Tim Redaksi whispertranscribe.ai · Dianyari pungkasan: November 2026 · Wektu maca 13 menit · Kategori: Akurasi transkripsi
Sepira akurate Whisper? Ing basa Inggris sing diwaca kanthi cetha, makalah OpenAI nglaporake tingkat kesalahan tembung (WER) 2.5% kanggo Whisper large-v2, dadi kira-kira 97 nganti 98 saka 100 tembung bener. Audio sing luwih angel nduweni asil luwih ala: 13.6% ing telpon, 24.9% ing pesta mangan sing rame, lan 39.9% ing rapat sing direkam nganggo siji mikrofon adoh.
Whisper yaiku model pangenalan wicara sumber terbuka saka OpenAI lan mesin ing mburi akeh aplikasi transkripsi, kalebu aplikasi kita. Pandhuan iki mung mbahas akurasi: apa sing diukur WER, asil benchmark miturut jinis audio lan basa, kegagalan Whisper, lan cara nguji dhewe. Kanggo latar mburi model, delengen katrangan apa Whisper AI iku.
Umume angka asale saka makalah Whisper (Radford lan kanca-kanca, 2022), sing nguji saben model kanthi “zero-shot”, tanpa fine-tuning ing set tes. Kartu model large-v3 sing luwih anyar nglaporake kesalahan 10% nganti 20% luwih sithik tinimbang large-v2 ing akeh basa, nanging tanpa tabel lengkap saben dataset. whispertranscribe.ai nerbitake artikel iki. Kita ora nindakake benchmark kanggo artikel iki, lan ora ana angka ing kene sing dadi asil tes kita dhewe.
Ringkesan akurasi Whisper
Ora ana siji set tes sing bisa njawab kabeh, amarga audio paling gedhe pengaruhe marang angka. Tabel iki nuduhake asil OpenAI kanggo large-v2 nganggo beam search lan temperature fallback (Lampiran Tabel 9), dinilai sawise normalisasi teks OpenAI.
| Jinis audio | Set tes ing makalah | WER Whisper large-v2 | Perkiraan bagean tembung sing bener |
|---|---|---|---|
| Buku audio, pamaca cetha | LibriSpeech test-clean | 2.5% | Kira-kira 97.5 saka 100 |
| Teks warta sing diwaca | WSJ | 2.6% | Kira-kira 97.4 saka 100 |
| Pidhato TED | TED-LIUM 3 | 3.7% | Kira-kira 96 saka 100 |
| Buku audio, pamaca luwih angel | LibriSpeech test-other | 4.9% | Kira-kira 95 saka 100 |
| Sukarelawan nganggo mikrofon omah | Common Voice 5.1 | 8.2% | Kira-kira 92 saka 100 |
| Obrolan telpon | Switchboard | 13.6% | Kira-kira 86 saka 100 |
| Wawancara sosiolinguistik dawa | CORAAL | 14.2% | Kira-kira 86 saka 100 |
| Telpon antar kulawarga lan kanca | CallHome | 16.4% | Kira-kira 84 saka 100 |
| Rapat, saben wong nganggo mikrofon headset | AMI IHM | 17.4% | Kira-kira 83 saka 100 |
| Pesta mangan, mikrofon adoh | CHiME-6 | 24.9% | Kira-kira 75 saka 100 |
| Rapat, siji mikrofon meja adoh | AMI SDM1 | 39.9% | Kira-kira 60 saka 100 |
“Bagean tembung sing bener” yaiku 100 dikurangi WER, cara kira-kira amarga WER uga ngitung tembung tambahan.
Sampeyan kerep nemokake angka 2.7%: iku model sing padha nganggo greedy decoding sing luwih sederhana (Tabel 2 makalah). Baris AMI uga nuduhake rapat sing padha direkam kanthi rong cara. Mindhah mikrofon saka sirah saben pamicara menyang tengah meja ndadekake tingkat kesalahan luwih saka tikel loro.
Apa tingkat kesalahan tembung (WER), lan kepiye ngetunge?
Tingkat kesalahan tembung yaiku bagean tembung sing salah ing transkrip dibandhingake referensi sing wis dipriksa manungsa. Itung telung jinis kesalahan lan bagi karo jumlah tembung ing referensi:
WER = (substitusi + pambusakan + tambahan) ÷ tembung ing referensi
- Substitusi: tembung salah ngganti sing bener (“nedha” tinimbang “pindha”).
- Pambusakan: tembung sing diucapake nanging ora ana ing transkrip.
- Tambahan: tembung ing transkrip sing ora diucapake sapa wae.
Iki conto gaweyan dhewe, diitung nganggo pustaka sumber terbuka jiwer:
| Baris | Teks |
|---|---|
| Referensi (22 tembung) | kita pindhah peluncuran produk menyang tanggal sangang maret amarga pemasok telat kaping pindho lan dokter patel njaluk rencana tes anyar dina iki |
| Transkrip | kita nedha peluncuran produk menyang tanggal sangang maret amarga pemasok telat kaping pindho lan dokter badel njaluk rencana tes anyar iki saiki |
| Kesalahan | 2 substitusi (nedha, badel), 1 pambusakan (dina), 1 tambahan (saiki) |
| WER | 4 ÷ 22 = 18.2% |
Telung perkara babagan WER sing kerep ora disadari:
- Bisa luwih saka 100%. Tembung tambahan ora ana watese, lan sawetara basa kanthi sumber data sithik ing asil Fleurs ngluwihi 100%.
- Normalisasi ngowahi skor. “Dr.” lan “dokter” dianggep salah kajaba loro teks diresiki kanthi cara sing padha. OpenAI nerangake normalizer nyuda WER nganti 50% ing sawetara dataset, utamane amarga mbusak beda format.
- Sawetara basa nggunakake tingkat kesalahan karakter (CER). Kanggo basa Cina, Jepang, Thai, Lao, lan Burma, sing ora misahake tembung nganggo spasi, makalah ngitung karakter.
Klaim akurasi tanpa nyebut set tes lan metode penilaian dudu pangukuran, sapa wae sing nggawe, kalebu kita.
Sepira akurate Whisper ing basa Inggris?
Whisper akurat banget ing basa Inggris sing cetha lan isih bisa digunakake ing audio sing angel. Ing makalah kasebut, model iki nggawe kesalahan 55.2% luwih sithik ing 12 dataset Inggris liyane tinimbang model wav2vec 2.0 sing dilatih kanthi supervisi lan duwe skor LibriSpeech meh padha.
Rekaman dawa
Whisper maca audio ing jendhela 30 detik, mula makalah nguji file dawa kanthi kapisah (Lampiran Tabel 16, large-v2):
| Set tes dawa | Isine | WER |
|---|---|---|
| TED-LIUM 3 | 11 pidhato TED lengkap | 3.5% |
| Meanwhile | 64 segmen TV wengi, akeh tembung ora lumrah | 5.1% |
| Kincaid46 | 46 rekaman campuran saka perbandingan 2018 | 8.8% |
| Earnings-21 | Telpon laporan pendapatan perusahaan | 9.7% |
| Rev16 | 16 episode podcast | 11.3% |
| Earnings-22 | Telpon pendapatan liyane, akeh logat | 12.6% |
| CORAAL | 231 wawancara lengkap ing African American English | 19.6% |
Whisper dibandhingake karo transkriptor manungsa
OpenAI njaluk papat layanan manungsa lan siji layanan kanthi bantuan komputer ngetranskripsi 25 rekaman Kincaid46. Layanan kanthi bantuan komputer entuk skor 1.15 poin persentase luwih apik tinimbang Whisper, lan layanan murni manungsa mung luwih apik sawetara pecahan poin. Kesimpulan makalah: durung sampurna nanging cedhak banget karo akurasi tingkat manungsa.
Ukuran model penting
Whisper kasedhiya ing sawetara ukuran, lan aplikasi ora mesthi nyebut sing digunakake (Lampiran Tabel 9):
| Model | Parameter | LibriSpeech clean | Common Voice 5.1 | Switchboard | CHiME-6 |
|---|---|---|---|---|---|
| tiny | 39M | 6.7% | 26.1% | 18.3% | 48.0% |
| base | 74M | 4.9% | 19.4% | 15.6% | 40.0% |
| small | 244M | 3.3% | 12.8% | 13.3% | 30.9% |
| medium | 769M | 2.7% | 9.7% | 13.2% | 27.6% |
| large-v2 | 1550M | 2.5% | 8.2% | 13.6% | 24.9% |
Bedane saya gedhe nalika audio saya angel: kira-kira 4 poin ing buku audio cetha, 23 poin ing pesta mangan. Model turbo sing luwih anyar, large-v3 sing dioptimalake, nampa sing diarani GitHub README OpenAI minangka penurunan akurasi minimal kanggo transkripsi sing luwih cepet.
Sepira akurate Whisper ing basa liyane?
Ing njaba basa Inggris, akurasi utamane gumantung sepira akeh audio latihan Whisper ing basa kasebut. Makalah nemokake korelasi kuadrat 0.83 antarane log jam latihan lan log WER, lan ngira WER dadi setengah saben data mundhak 16 kaping. Umume saka 96 basa saliyane Inggris duwe kurang saka 1,000 jam.
Sawetara asil Fleurs (ukara sing diwaca, large-v2, Lampiran Tabel 13):
| Basa | WER Fleurs | Cathetan |
|---|---|---|
| Spanyol | 3.0% | Paling cilik ing tabel |
| Inggris | 4.2% | |
| Portugis | 4.3% | |
| Jerman | 4.5% | |
| Jepang | 5.3% | Tingkat kesalahan karakter |
| Rusia | 5.6% | |
| Prancis | 8.3% | |
| Korea | 14.3% | Ditandhani minangka outlier |
| Cina | 14.7% | Tingkat kesalahan karakter |
| Arab | 16.0% | |
| Hindi | 21.5% | |
| Ibrani | 27.1% | Ditandhani minangka outlier |
| Swahili | 39.3% | |
| Telugu | 99.0% | Ditandhani minangka outlier |
Makalah nandhani Ibrani, Telugu, Cina lan Korea luwih ala tinimbang prediksi saka data latihan, bisa uga amarga jarak linguistik, tokenizer sing ora cocok karo aksara kasebut, utawa kualitas data. Fleurs nggunakake wicara sing diwaca, mula obrolan bisa nduweni tingkat kesalahan luwih dhuwur. README duwe grafik luwih anyar kanggo large-v3 lan large-v2 ing Common Voice 15 lan Fleurs.
Asil basa Spanyol cukup nyemangati yen sampeyan ngetranskripsi audio Spanyol dadi teks. Kanggo basa kanthi sumber data sithik, coba klip cendhak sadurunge miwiti proyek kabeh.
Apa sing mengaruhi akurasi Whisper?
Kahanan rekaman paling penting. Bukti saka makalah lan kartu model:
| Faktor | Sing dituduhake bukti | Sing kudu ditindakake |
|---|---|---|
| Gangguan latar | Ing gangguan pub kanthi rasio sinyal-marang-gangguan ngisor 10 dB, Whisper ngungguli kabeh 14 model perbandingan, nanging kabeh model saya ala nalika gangguan mundhak | Rekam ing ruangan sepi, adoh saka kipas lan musik |
| Jarak mikrofon | Rapat AMI sing padha: 17.4% nganggo mikrofon headset, 39.9% nganggo siji mikrofon meja | Selehake mikrofon cedhak wong sing ngomong |
| Obrolan lan omongan tumpang tindih | Telpon lan pesta mangan entuk 13.6% nganti 24.9%, dibandhingake 2.5% kanggo wicara sing diwaca | Siji wong ngomong saben wektu; siji mikrofon saben pamicara |
| Logat lan dialek | Kartu model nglaporake akurasi ora rata antarlogat lan dialek; wawancara CORAAL dawa entuk 19.6% | Tes nganggo pamicara sing padha karo ing rekaman nyata |
| Tembung langka lan istilah khusus | Apik ing set Meanwhile sing akeh istilah (5.1%), nanging jeneng lan istilah teknis isih kerep salah | Priksa jeneng lan istilah karo dhaptar |
| Sumber daya basa | WER Fleurs saka 3.0% (Spanyol) nganti 99.0% (Telugu) | Pilih basa dhewe; wenehi wektu mriksa luwih akeh kanggo basa sing sumber datane sithik |
| Ukuran model | tiny entuk 48.0% ing CHiME-6, large-v2 24.9% | Takon model apa sing digunakake, utawa gunakake sing paling gedhe sing bisa |
| Format file lan sample rate | Kode Whisper nyetel maneh kabeh audio dadi mono 16 kHz | WAV 48 kHz ora nambah manfaat tinimbang file 16 kHz sing cetha |
Ngonversi MP3 dadi WAV gedhe ora mbalekake rincian sing ilang. Rekaman cetha kanthi bitrate sedheng luwih apik tinimbang rekaman rame kanthi bitrate dhuwur.
Masalah Whisper sing dikenal: halusinasi, pengulangan, lan cap wektu
OpenAI nyathet saben jinis kegagalan iki, sing bisa luwih penting tinimbang bageane ing WER.
Teks halusinasi
Whisper bisa nulis tembung sing ora diucapake sapa wae. Kartu model nerangake prediksi bisa ngemot teks sing ora ana ing audio, bisa uga amarga model uga ngira tembung sabanjure sing mungkin. Bagean watesan makalah malah nyebut “halusinasi lengkap”, yaiku output sing ora ana gandhengane karo audio.
Panaliten mandiri, Careless Whisper (Koenecke lan kanca-kanca, 2024), ngolah 13,140 segmen audio liwat Whisper API OpenAI ing April lan Mei 2023. Kira-kira 1% transkripsi (rata-rata 1.4%) ngemot frasa utawa ukara sing digawe-buat, lan 38% saka iku ngemot isi mbebayani kayata kekerasan utawa asosiasi palsu. Pamicara kanthi jeda luwih dawa, ing kene wong sing ngalami afasia, luwih kerep ngalami iki. API wis owah wiwit iku, mula anggep iki pangukuran 2023.
Pengulangan lan tembung sing ilang
Kartu model nerangake Whisper cenderung ngasilake teks sing bola-bali; beam search lan penjadwalan temperature nyuda nanging ora ngilangi masalah. Makalah uga nyebut tembung pisanan utawa pungkasan ing segmen bisa dilewati. Perbaikan decoding nyuda WER rata-rata rekaman dawa saka 11.0% dadi 10.0%: luwih apik, nanging durung rampung.
Sepi, musik, lan tembung sela
Teks sing digawe-buat cenderung katon nalika sepi dawa lan musik. Makalah nemokake sinyal “no speech” saka Whisper dhewe ora cukup dipercaya yen digunakake piyambak, lan kode sumber terbuka saiki duwe pilihan ngliwati sepi dawa nalika kemungkinan halusinasi dideteksi.
Cap wektu sing geser lan file dawa
Whisper ngolah audio dawa siji jendhela 30 detik saben wektu, nggunakake cap wektu sing diprediksi kanggo nemtokake jendhela sabanjure. Makalah nyathet kesalahan ing siji jendhela bisa nerus menyang sabanjure. Cap wektu saben tembung diwenehi tandha “eksperimental” ing kode. Kanggo subtitle, priksa wektu ing sekitar jeda.
Nalika ngembangake, OpenAI uga weruh Whisper ngira jeneng pamicara sing meh mesthi salah. Model sing dirilis di-fine-tune kanggo nyuda iki, nanging priksa saben jeneng ing teks.
10 cara nambah akurasi transkripsi Whisper
Umume perbaikan kedadeyan sadurunge mencet transkripsi. Kira-kira diurutake saka pengaruh paling gedhe:
- Selehake mikrofon cedhak. Jarak wae ndadekake tingkat kesalahan luwih saka tikel loro ing rapat AMI.
- Kurangi gangguan saka sumbere. Tutup jendhela, pateni kipas, lan mandhegake musik.
- Aja ngomong tumpang tindih. Siji wong ngomong saben wektu luwih apik tinimbang setelan apa wae.
- Potong sepi dawa lan musik pambuka, papan teks gawean paling kerep katon. Potong ing jeda, dudu tengah ukara.
- Setel basa dhewe. Whisper ngenali basa kanthi bener 80.3% saka wektu ing 82 basa Fleurs, mula deteksi otomatis bisa salah ing klip cendhak utawa logat tartamtu.
- Gunakake model paling gedhe sing kasedhiya, utamane kanggo rekaman rame.
- Wenehi prompt jeneng lan istilah yen host dhewe. Whisper sumber terbuka nampa
--initial_promptkanthi ejaan sing dikarepake. - Unggah file asli. Ngrekam maneh liwat speaker utawa ngompresi bola-bali mbuwang rincian.
- Priksa istilah. Goleki saben jeneng, angka, tanggal, lan akronim, banjur cocogake karo audio.
- Priksa kaping pindho. Pisanan benerake kesalahan kanthi kecepatan normal. Banjur goleki tandha halusinasi: baris bola-bali, ukara nalika sepi, panutup kaya “Matur nuwun wis nonton.” Kanggo karya hukum, medis, utawa sing diterbitake, njaluk manungsa mriksa kabeh.
Cara ngukur akurasi Whisper ing audio sampeyan dhewe
Perkiraan paling apik kanggo karya sampeyan yaiku tes 30 menit ing rekaman sampeyan dhewe. Langkah iki kanggo sampeyan tindakake; iki dudu tes whispertranscribe.ai.
- Pilih telung klip 2 menit kaya karya nyata: siji gampang, siji lumrah, siji angel.
- Tulis transkrip referensi kanthi tangan, tembung demi tembung. Temtokake aturan dhisik: simpen utawa buwang “eh”, angka utawa tembung kanggo nomer.
- Transkripsi saben klip nganggo piranti sing diuji lan simpen teks biasa.
- Normalisasi loro teks kanthi cara sing padha. Normalizer OpenAI kasedhiya ing
openai-whisper. - Itung WER nganggo jiwer:
# pip install jiwer openai-whisper
import jiwer
from whisper.normalizers import EnglishTextNormalizer
norm = EnglishTextNormalizer()
ref = norm(open("reference.txt", encoding="utf-8").read())
hyp = norm(open("transcript.txt", encoding="utf-8").read())
out = jiwer.process_words(ref, hyp)
print(f"WER {out.wer:.1%} S={out.substitutions} D={out.deletions} I={out.insertions}")
- Itung kesalahan kritis kanthi kapisah. Limang tembung sela sing salah lan limang jeneng klien sing salah menehi WER padha, nanging masalahe ora padha.
- Cathet asil supaya bisa mbandhingake piranti utawa setelan:
| Klip | Kahanan | Tembung referensi | S | D | I | WER | Kesalahan kritis |
|---|---|---|---|---|---|---|---|
| Klip A | Ruangan sepi, siji pamicara | 310 | |||||
| Klip B | Telpon video, loro pamicara | 285 | |||||
| Klip C | Kafe, pamicara nganggo logat | 296 |
Jumlah tembung mung conto. Ati-ati ing langkah 4: normalizer basa Inggris bisa nyamakan “Dr.” karo “doctor” lan “two” karo “2”, nanging beda kaya “9th” lan “ninth” isih bisa dianggep salah. Waca prabédan sing ditandhani sadurunge percaya skor.
Sepira akurate whispertranscribe.ai?
whispertranscribe.ai yaiku piranti transkripsi AI berbasis web sing didhukung Whisper, ndhukung 130+ basa, kanthi unggahan nganti 5GB lan 10 jam. Akurasi nganti 99% ing audio cetha; gangguan latar, logat kuwat, lan omongan tumpang tindih nyuda akurasi, kaya benchmark Whisper ing ndhuwur. Kita ora ngaku cocog utawa ngluwihi angka makalah, lan durung nerbitake benchmark dhewe, mula tes klip sampeyan nganggo langkah ing ndhuwur.
- Pilihan Noise / Low-Quality Audio/Video ing pemilih basa kanggo akeh basa. Ing file rame, coba pilihan standar lan noise banjur bandhingake.
- 130+ basa, pilihan Multilingual Mix, lan terjemahan audio menyang basa Inggris.
- File nganti 5GB lan 10 jam, deteksi pamicara lan cap wektu (kabeh fitur).
- Input cetha: rekam ing browser kanthi mikrofon cedhak sawise entuk idin lan persetujuan sing dibutuhake, utawa konversi video dadi MP3 kanggo ngunggah audio wae.
- Ekspor menyang DOCX, PDF, TXT, CSV, SRT, lan VTT, uga pembuat subtitle kanggo subtitle kanthi wektu.
Sampeyan bisa miwiti gratis tanpa akun. Paket mbayar wiwit $9.99/sasi ditagih saben taun; deleng rega.
Pitakonan sing kerep ditakokake
Apa Whisper akurat 99%?
Ora sacara umum. Asil paling apik Whisper sing diterbitake yaiku tingkat kesalahan tembung 2.5% ing LibriSpeech test-clean, set buku audio sing diwaca kanthi cetha, kira-kira 97.5% tembung bener. Ing telpon, rapat, lan ruangan rame, angka OpenAI dhewe antara kira-kira 13% nganti 40% WER. Klaim “99%” mung migunani yen nyebut audio sing diukur. Piranti adhedhasar Whisper, kalebu whispertranscribe.ai, kudu dinilai nganggo rekaman sampeyan, dudu persentase judhul.
Model Whisper endi sing paling akurat?
Model gedhe paling akurat. Ing makalah OpenAI, large-v2 duwe tingkat kesalahan paling cilik ing umume set tes, lan kartu model large-v3 nglaporake kesalahan 10% nganti 20% luwih sithik tinimbang large-v2 ing akeh basa. Model turbo yaiku large-v3 sing dioptimalake; OpenAI nerangake mung ilang akurasi sithik kanggo kacepetan luwih dhuwur. Model paling cilik, tiny, luwih ora akurat ing audio angel: WER 48.0% ing pesta mangan rame, dibandhingake 24.9% kanggo large-v2.
Napa Whisper nulis tembung sing ora diucapake?
Whisper bisa halusinasi amarga dilatih ngira teks sing mungkin saliyane ngetranskripsi swara, lan kartu model OpenAI ngelingake yen bisa ngasilake teks sing ora ana ing audio. Iki paling kerep kedadeyan nalika sepi dawa, musik, utawa gangguan. Panaliten mandiri 2023 nemokake frasa halusinasi ing kira-kira 1% transkripsi, lan jeda ndadekake luwih mungkin. Motong sepi, nyetel basa, lan mriksa bagian sepi nyuda risikone.
Sepira akurate Whisper kanggo logat?
Whisper nangani logat luwih apik tinimbang akeh sistem lawas, nanging ora rata. Kartu model OpenAI nerangake akurasi beda-beda antarlogat lan dialek saka basa sing padha. Ing makalah, wawancara dawa ing African American English (CORAAL) entuk WER 19.6%, dibandhingake 3.5% kanggo pidhato TED lengkap, sanajan kahanan rekamane uga beda. Cara sing bisa dipercaya yaiku nguji klip kanthi pamicara sing kaya ing rekaman nyata, lan nyedhiyakake wektu mriksa luwih akeh nalika logate kuwat.
Apa Whisper sakakurat transkriptor manungsa?
Kanggo basa Inggris, Whisper cedhak nanging ora ngimbangi sing paling apik. OpenAI mbandhingake karo limang layanan profesional ing 25 rekaman. Layanan kanthi bantuan komputer nduweni WER agregat 1.15 poin luwih cilik tinimbang Whisper, lan papat layanan manungsa sepenuhe luwih apik sawetara pecahan poin. Manungsa isih cenderung luwih apik nangani jeneng, omongan tumpang tindih, lan wicara sing ora cetha. Kanggo apa wae sing dikutip, diajukake, utawa diterbitake, manungsa kudu mriksa transkrip karo rekaman.
Sepira akurate Whisper kanggo basa saliyane Inggris?
Bedane gedhe miturut basa. Ing benchmark Fleurs, large-v2 entuk WER 3.0% ing Spanyol, 4.5% ing Jerman, lan 8.3% ing Prancis, nanging 27.1% ing Ibrani lan 99.0% ing Telugu. Cina lan Jepang dinilai nganggo tingkat kesalahan karakter: 14.7% lan 5.3%. Makalah nemokake akurasi ana gandhengane karo jumlah audio latihan saben basa. Kanggo basa sing sumber datane sithik, tes klip cendhak dhisik lan wenehi wektu luwih akeh kanggo koreksi.
Tes akurasi ing rekaman sampeyan dhewe
Benchmark nggambarake audio wong liya. Unggah klip menyang whispertranscribe.ai ing salah siji saka 130+ basa lan nilai nganggo langkah ing pandhuan iki. Miwiti gratis, tanpa akun, utawa bandhingake paket.
Artikel gegandhengan: Apa Whisper AI iku? · Programu transkripsi gratis paling apik · Alternatif TurboScribe paling apik · Cara transkripsi video YouTube · Apa file SRT iku? · Subtitle hard lan soft
Referensi
- Radford lan kanca-kanca, Robust Speech Recognition via Large-Scale Weak Supervision (makalah Whisper, OpenAI, 2022): Tabel 2, 9, 13, lan 16 lan Bagean 3 nganti 6
- OpenAI, openai/whisper ing GitHub: tabel model README, cathetan turbo, lan grafik WER saben basa
- OpenAI lan Hugging Face, kartu model whisper-large-v3: owah-owahan large-v3, panggunaan sing dievaluasi, lan watesan
- Koenecke lan kanca-kanca, Careless Whisper: Speech-to-Text Hallucination Harms (2024)
- jiwer: pustaka sumber terbuka kanggo WER lan CER
- Hugging Face, Open ASR Leaderboard: perbandingan mandiri model wicara terbuka sing dianyari ajeg
