Tim redaksi whispertranscribe.ai · Dianyari pungkasan: November 2026 · Wektu maca 13 menit
Apa Whisper AI? Ing umume panelusuran, jeneng iki nuduhake OpenAI Whisper, model open-source pangenalan swara sing diterbitake OpenAI September 2022. Model iki ngowahi ucapan sing direkam dadi teks, ngenali basa sing diucapake lan bisa nerjemahake basa liyane menyang Inggris. OpenAI nglatih nganggo 680.000 jam audio saka web lan nerbitake kode lan bobot model nganggo lisensi MIT.
Katrangan: kita nggawe whispertranscribe.ai. whispertranscribe.ai yaiku layanan transkripsi ing browser sing ngowahi audio lan video dadi teks ing luwih saka 130 basa. Pandhuan iki mbedakake model lan produk sing dibangun ing ndhuwure; kabeh angka babagan model dijupuk saka makalah, repositori utawa kartu model OpenAI.
Wangsulan ringkes: apa Whisper AI?
Whisper yaiku model swara dadi teks, dudu aplikasi utawa perusahaan. Sampeyan bisa ngundhuh saka repositori GitHub OpenAI lan mbukak ing komputer dhewe utawa nggunakake layanan sing mbukak kanggo sampeyan.
- Sing nggawe: OpenAI. Makalah Robust Speech Recognition via Large-Scale Weak Supervision diterbitake ing arXiv tanggal 6 Desember 2022.
- Sing ditindakake: transkripsi ucapan, ngenali basa, nerjemahake ucapan menyang Inggris lan nambah tandha wektu saben bagean.
- Sing durung ditindakake langsung: menehi label sapa sing ngomong utawa transkripsi langsung. Kartu model OpenAI nyebut model ora bisa digunakake kanggo transkripsi wektu nyata tanpa pangembangan tambahan.
- Ukuran: enem, saka tiny kanthi 39 yuta parameter nganti large kanthi 1.550 yuta.
- Biaya: gratis diundhuh lan digunakake; sampeyan nyedhiyakake pirantine.
„Whisper AI“ bisa ateges telung perkara
Jeneng iki digunakake kanthi longgar lan telung makna iki gampang kecampur.
| Sing diarani „Whisper AI“ | Apa kuwi | Sing nggawe | Cara nggunakake |
|---|---|---|---|
| OpenAI Whisper | Model open-source pangenalan swara | OpenAI | Undhuh kode lan bobot, banjur jalanake dhewe |
| whisper-1 | Model API transkripsi OpenAI sing di-host | OpenAI | Kirim audio menyang API OpenAI lan mbayar saben panggunaan |
| Aplikasi kanthi jeneng „Whisper“ | Produk transkripsi kayata whisperai.com lan whispertranscribe.ai (situs iki) | Perusahaan kapisah | Unggah utawa rekam audio ing aplikasine |
Produk ing baris katelu dudu model kasebut dhewe lan ora padha siji lan sijine. Saben perusahaan nemtokake fitur, wates, rega lan syarat privasi dhewe. Ing artikel iki „Whisper“ tegese model OpenAI.
Kepiye cara kerja Whisper?
Whisper yaiku Transformer encoder-decoder. Encoder ngowahi audio 30 detik dadi perwakilan angka, lan decoder nulis teks sing cocog siji token saben wektu, dipandu token khusus sing nuduhake tugas.
Makalah Whisper nerangake proses iki:
- Resampling. Audio diowahi dadi 16.000 Hz.
- Dipérang dadi jendhela 30 detik. Model tansah ndeleng 30 detik saben wektu. Klip sing luwih cendhak ditambahi nganti cukup.
- Gawe spektrogram. Saben jendhela dadi spektrogram log-Mel 80 kanal, gambar owah-owahan energi swara ing macem-macem frekuensi, diitung ing pigura 25 milidetik saben 10 milidetik. Large-v3 nggunakake 128 kanal.
- Encode. Rong lapisan convolution lan tumpukan blok Transformer ngolah spektrogram.
- Decode. Decoder dhisik prédhiksi basa utawa token „ora ana ucapan“. Banjur milih tugas (transkripsi utawa terjemahan), apa tandha wektu dilebokake lan pungkasane teks.
Tandha wektu uga dipredhiksi minangka token lan dibunderake menyang 20 milidetik sing paling cedhak. Mula siji model bisa nindakake deteksi basa, transkripsi, terjemahan lan wektu.
Whisper dilatih nganggo apa?
Model asli sinau saka 680.000 jam audio internet kanthi transkrip sing cocog. OpenAI nyebut iki weak supervision amarga transkrip ora dipriksa manual kaya kumpulan data uji.
| Bagéan audio latihan | Jam | Isi |
|---|---|---|
| Kira-kira 65% | 438.000 | Audio Inggris kanthi transkrip Inggris |
| Kira-kira 18% | 126.000 | Audio dudu Inggris kanthi transkrip Inggris (data terjemahan) |
| Kira-kira 17% | 117.000 | Audio dudu Inggris kanthi transkrip ing basa sing padha |
Sumber: kartu model Whisper OpenAI. Makalah mbunderake bagean terjemahan dadi 125.000 jam.
Rong rincian nerangake tumindake Whisper. OpenAI nyaring transkrip sing katon digawe mesin, kaya teks kabeh huruf gedhe, mula model sinau nulis ukara nganggo tanda baca. Model awal uga kerep ngira jeneng pamicara amarga akeh transkrip web ngemot jeneng. OpenAI nyuda kebiasaan iku liwat latihan tambahan, nanging iki nuduhake pengaruh teks latihan marang model.
Large-v3 dilatih kanthi cara beda nganggo kira-kira 5 yuta jam: 1 yuta nganggo label web sing lemah lan 4 yuta diwenehi label large-v2, miturut kartu model Hugging Face.
Bandhingan ukuran model Whisper
Whisper duwe enem ukuran. Model cilik luwih cepet ing piranti sederhana; model gedhe luwih sithik kesalahan nanging butuh memori video (VRAM) luwih akeh. Angka ing ngisor iki saka README OpenAI.
| Ukuran | Parameter | Versi Inggris wae | Versi multibasa | VRAM sing dibutuhake | Kacepetan dibandhingake 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 | Ora ana | large | ~10 GB | 1x |
| turbo | 809 M | Ora ana | turbo | ~6 GB | ~8x |
OpenAI ngukur kacepetan nganggo ucapan Inggris ing GPU A100 pusat data lan nyebut kacepetan nyata bisa beda banget. Laptop bakal luwih alon.
Model Whisper endi sing kudu dipilih?
Miwitia saka memori sing kasedhiya lan tujuan transkrip:
- Nyoba ing mesin sederhana: tiny utawa base, kira-kira 1 GB VRAM. Kesalahan bisa luwih akeh.
- Mung Inggris: gunakna model
.en. OpenAI nyebut asil luwih apik, utamane ukuran tiny lan base. - Kualitas apik kanthi kacepetan cukup: turbo, kira-kira 6 GB. Iki standar ing baris perintah.
- Nerjemahake ucapan menyang Inggris: medium utawa large. Turbo ora dilatih kanggo terjemahan lan mbalekake basa asli sanajan dijaluk nerjemahake.
- Audio paling angel lan asil paling apik: large, kira-kira 10 GB VRAM.
Versi Whisper: garis wektu ringkes
„Large“ wis duwe telung rilis, lan turbo yaiku large-v3 sing diperkecil. Versi penting amarga asil beda miturut bobot model.
| Versi | Rilis | Owah-owahan |
|---|---|---|
| Model asli (tiny nganti large) | September 2022 | Rilis open-source pisanan karo makalah |
| large-v2 | Desember 2022 | Ukuran padha, dilatih 2,5 kaping luwih suwe kanthi regularisasi tambahan |
| large-v3 | November 2023 | 128 kanal Mel, token Kanton anyar, kesalahan 10% nganti 20% luwih sithik tinimbang v2 ing akeh basa |
| turbo (large-v3-turbo) | September 2024 | Lapisan decoder dikurangi saka 32 dadi 4 kanggo kacepetan; ora kanggo terjemahan |
Sumber: kartu model Whisper, cathetan makalah babagan large-v2, lan kartu Hugging Face kanggo large-v3 lan large-v3-turbo.
Pira basa sing didhukung Whisper?
Whisper ngenali kira-kira 99 basa. Detektor basa ing makalah nggunakake 99 token, lan tokenizer saiki nyathet 100 kode basa sawise large-v3 nambah Kanton. Nanging dhukungan ora padha karo kualitas: kartu model nyebut asil kuwat ing kira-kira 10 basa.
Kualitas gumantung data latihan. Makalah nemokake yen jam latihan saben basa dadi pratandha apik kanggo kinerja, lan umume basa duwe kurang saka 1.000 jam. Inggris, Spanyol utawa Jerman biasane luwih resik tinimbang basa kanthi data sithik. README nyambung menyang grafik kesalahan saben basa.
Aja dicampur karo angka produk. whispertranscribe.ai ndhukung luwih saka 130 basa. Angka iku nuduhake dhukungan produk kita (kaca rega nyebut „130+ basa lan logat“), dudu sipat model open-source Whisper.
Sepira akurat Whisper?
Ora ana siji angka akurasi kanggo Whisper amarga gumantung ukuran model, basa lan rekaman. Ing Inggris sing diwaca kanthi cetha, large-v2 entuk word error rate (WER) 2,7%. Rata-rata 14 set tes Inggris, sing umume luwih angel, yaiku 12,8%.
WER yaiku persentase tembung sing diganti, diilangake utawa ditambah sistem dibandhingake transkrip referensi sing dipriksa manungsa. Luwih cilik luwih apik. Angka iki saka Tabel 2 makalah, mbandhingake Whisper large-v2 lan model wav2vec 2.0 sing dilatih ing buku audio LibriSpeech:
| Set tes | WER wav2vec 2.0 | WER Whisper large-v2 |
|---|---|---|
| LibriSpeech clean (buku audio sing diwaca) | 2,7% | 2,7% |
| Common Voice (swara saka sukarelawan) | 29,9% | 9,0% |
| CHiME-6 (rekaman jamuan kanthi gangguan) | 65,8% | 25,5% |
| Rata-rata kabeh 14 set ing tabel | 29,3% | 12,8% |
Polane sing penting. Loro model padha ing tes buku audio, nanging Whisper luwih apik ing liyane lan rata-rata nggawe 55,2% kesalahan luwih sithik. Pengumuman OpenAI mbunderake dadi 50%. Ing tes gangguan makalah, model sing dilatih ing LibriSpeech menang nalika audio meh resik nanging kalah nalika gangguan kaya ing bar saya banter lan rasio sinyal marang gangguan mudhun ing ngisor 10 dB.
Iki pathokan riset, dudu janji kanggo berkas sampeyan, lan klaim produk kapisah. Contone whispertranscribe.ai bisa nganti 99% akurat ing audio cetha; gangguan, swara tumpang tindih lan logat kuwat nyuda akurasi.
Apa watesan Whisper?
Kekurangan utamane yaiku bisa nulis teks lancar sing ora tau diucapake. Kartu model OpenAI nyebut iki halusinasi lan nggandhengake karo latihan weak supervision. Kertu uga nyebut pengulangan, akurasi beda antar basa lan logat, lan ora ana label pamicara bawaan.
- Teks sing digawe dhewe. Ing riset 2024 Careless Whisper, peneliti nemokake frasa utawa ukara sing ora ana ing audio ing kira-kira 1% transkrip sing dipriksa. Iki luwih kerep ing jeda dawa.
- Pangulangan. Model bisa macet mbaleni frasa. Beam search lan temperature fallback nyuda masalah nganti sawetara, miturut kartu model, nanging ora ngilangi kabeh.
- Tembung wiwitan utawa pungkasan ilang. Makalah nyebut sawetara tembung pisanan utawa pungkasan bagean bisa dilewati.
- Rekaman dawa butuh jendhela. Whisper mung ndeleng 30 detik saben wektu. Piranti transkripsi mindhah jendhela miturut tandha wektu sing dipredhiksi, mula kesalahan bisa mengaruhi bagean sabanjure.
- Ora ana label pamicara. Kartu model nyebut diarization, ngenali sapa ngomong kapan, durung dievaluasi kanthi kuat. Butuh piranti kapisah.
- Ora wektu nyata minangka standar. Model dirancang kanggo rekaman. Caption langsung butuh pangembangan tambahan.
- Beda miturut basa lan logat. Kartu model nyebut tingkat kesalahan luwih dhuwur kanggo sawetara logat, dialek lan kelompok demografis.
OpenAI uga ngelingake supaya ora nindakake transkripsi wong tanpa idin lan ora digunakake kanggo keputusan berisiko dhuwur.
Nalika sumber resmi beda
Sawetara angka ing dokumen OpenAI beda, biasane amarga pembulatan utawa owah-owahan versi. Priksa sadurunge ngutip:
| Topik | Sumber resmi siji | Sumber liyane | Sing digunakake |
|---|---|---|---|
| Pengurangan kesalahan dibandhingake model LibriSpeech | Makalah: rata-rata 55,2% luwih sithik | Pengumuman OpenAI: 50% luwih sithik | Kutip makalah lan sebut bandhingane |
| Basa liyane saliyane Inggris ing data latihan | Makalah: 96 basa liyane | Kartu model: 98 basa | „Kira-kira 99 basa“ kanggo pangenalan |
| Jam latihan terjemahan | Kartu model: 126.000 | Makalah: 125.000 | Siji wae kanthi tandha kira-kira |
| Parameter turbo | README lan Hugging Face: 809 M | Tabel kartu model: 798 M | 809 M sing digunakake sumber paling akeh |
| Ukuran data latihan | Makalah asli: 680.000 jam | Kartu large-v3: 5 yuta jam | Sebut versi sing dimaksud |
| Lisensi | GitHub: MIT kanggo kode lan bobot | Metadata large-v3 Hugging Face: Apache-2.0 | Priksa berkas lisensi salinan sing diundhuh |
Cara nggunakake Whisper: dhewe, API utawa aplikasi
Ana telung cara praktis. Nggunakake Whisper dhewe gratis lan audio tetep ing komputer. API OpenAI ora butuh persiyapan kaya ngono nanging mbatesi ukuran berkas. Aplikasi transkripsi sing di-host nambah editor, label lan ekspor, nanging layanan pihak katelu duwe syarat dhewe.
| Whisper open-source dhewe | API transkripsi OpenAI | Aplikasi transkripsi sing di-host | |
|---|---|---|---|
| Persiyapan | Python, PyTorch lan FFmpeg | Kode lan kunci API | Browser |
| Biaya | Gratis; piranti sampeyan | Mbayar saben panggunaan | Paket gratis utawa langganan, gumantung aplikasi |
| Wates berkas | Gumantung piranti | 25 MB saben berkas | Ditetepake saben aplikasi |
| Audio menyang endi | Tetep ing komputer | Dikirim menyang OpenAI | Dikirim menyang server aplikasi |
| Label pamicara | Ora ana bawaan | Ora ana ing whisper-1 | Gumantung aplikasi |
| Sunting lan ekspor | TXT, SRT, VTT, TSV, JSON saka baris perintah | Bali menyang kode sampeyan; liyane digawe dhewe | Biasane editor lan ekspor dokumen lan subtitle |
Jalanake Whisper ing komputer dhewe
README OpenAI menehi perintah instalasi lan conto dhasar:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Sampeyan uga kudu nginstal FFmpeg, lan README nyebut kode mesthine bisa mlaku ing Python 3.8 nganti 3.11. Tambah --language kanggo nemtokake basa utawa --task translate nganggo model multibasa kanggo asil Inggris. Bobot model diundhuh nalika pisanan digunakake.
Gunakake API OpenAI
Pandhuan speech-to-text OpenAI mbatesi unggahan 25 MB saben berkas, mula kompres utawa pérang sing luwih gedhe. Miturut pemeriksaan November 2026, pandhuan menehi tandha whisper-1 minangka deprecated lan nyathet tanggal tutup 26 Februari 2027, banjur ngarahake pangembang menyang model transkripsi anyar. Model anyar iku model swara OpenAI, dudu rilis anyar kulawarga Whisper open-source.
Gunakake aplikasi transkripsi sing di-host
Yen ora pengin nginstal, aplikasi sing di-host ngolah berkas ing servere. whispertranscribe.ai minangka salah siji pilihan, lan konverter audio dadi teks gratis minangka cara cepet nyoba. Kaca utama nerangake whispertranscribe.ai nggunakake Whisper lan AI generasi sabanjure. Miturut kaca produk, layanan iki nyedhiyakake:
- Unggah audio utawa video nganti 5 GB lan 10 jam, utawa tempel tautan YouTube, Vimeo, Google Drive utawa Dropbox ing transkripsi saka URL.
- Luwih saka 130 basa, kanthi deteksi pamicara sing bisa diuripake.
- Transkripsi langsung saka mikrofon lan rekam lan transkrip ing browser.
- Ekspor DOCX, PDF, SRT, VTT, TXT lan CSV, kalebu subtitle saka pambuat subtitle AI.
- Terjemahake audio menyang Inggris kanggo rekaman dudu Inggris.
Ana kompromi: berkas menyang layanan cloud tinimbang tetep ing komputer. Kita ora nawakake API, kosakata khusus utawa bot rapat. Paket mbayar wiwit $9.99 saben wulan kanthi tagihan tahunan (rega), lan sampeyan bisa miwiti gratis tanpa akun. Deleng kaca piranti transkripsi Whisper AI utawa kabeh fitur.
Apa Whisper open source lan apa sing diijini lisensine?
Ya. Repositori OpenAI nyebut kode lan bobot model Whisper diterbitake nganggo lisensi MIT. MIT yaiku lisensi permisif sing umume ngidini nggunakake, nyalin, ngowahi lan adol piranti lunak adhedhasar kode, yen kabar hak cipta lan lisensi tetep disimpen.
Rong cathetan: salinan ing situs liyane bisa duwe metadata lisensi beda; kaca large-v3 Hugging Face nyathet Apache-2.0. Wacanen lisensi salinan sing digunakake. Lisensi nyakup piranti lunak, dudu rekaman sing dilebokake. Aturan idin lan privasi tetep ditrapake kanggo audio. Iki informasi umum, dudu saran hukum; teks lisensi MIT minangka sumber resmi.
Whisper cocok kanggo sapa?
Whisper cocok kanggo pangembang lan wong sing biasa nganggo terminal lan pengin transkripsi gratis, privat lan tanpa wates ing komputer. Yen pengin transkrip rampung kanthi editor lan ekspor, aplikasi sing di-host biasane luwih cepet.
| Sampeyan… | Pilihan sing cocok | Sebabe |
|---|---|---|
| Pangembang sing nggawe produk | Whisper open-source utawa API | Kontrol lengkap proses |
| Peneliti kanthi wawancara sensitif | Whisper open-source ing komputer dhewe | Audio ora metu saka komputer |
| Kreator sing butuh subtitle minggu iki | Aplikasi sing di-host kanthi ekspor SRT utawa VTT | Ora butuh instalasi; berkas wektu siap diunggah |
| Pangguna laptop tanpa GPU | Model cilik ing komputer utawa aplikasi sing di-host | Model gedhe butuh kira-kira 10 GB VRAM |
Sadurunge percaya transkrip Whisper: daftar priksa
Daftar iki adhedhasar cara model bisa salah ing makalah lan kartu OpenAI:
- Priksa jeda lan bagean sepi kanggo ukara sing ora diucapake.
- Goleki frasa sing padha bola-bali.
- Cocogna baris pisanan lan pungkasan karo audio.
- Priksa jeneng, angka lan istilah teknis.
- Priksa basa dideteksi bener utawa atur manual.
- Kanggo terjemahan, priksa sampeyan ora nggunakake turbo.
- Tambah label pamicara nganggo piranti kapisah yen perlu.
- Entuk idin sadurunge ngrekam utawa transkripsi wong liya.
Pitakon sing kerep ditakokake
Apa Whisper AI gratis?
Ya, OpenAI Whisper gratis diundhuh lan digunakake. OpenAI menehi kode lan bobot nganggo MIT, mula ora perlu mbayar OpenAI. Nanging sampeyan nyedhiyakake komputer lan model large butuh kira-kira 10 GB memori GPU. Pilihan sing di-host duwe biaya: API OpenAI ditagih miturut panggunaan lan aplikasi transkripsi duwe paket dhewe. Gratis ora mesthi gampang; butuh Python, FFmpeg lan kawruh baris perintah.
Apa Whisper bisa ngenali pamicara beda?
Ora dhewekan. Whisper nulis sing diucapake nanging ora menehi label sapa sing ngomong. Kartu OpenAI nyebut kemampuan kaya speaker diarization durung dievaluasi kanthi kuat. Kanggo label, wong biasane masang piranti diarization kapisah utawa nggunakake aplikasi sing nambah deteksi pamicara. whispertranscribe.ai duwe pilihan deteksi sing bisa diuripake sadurunge transkripsi. Priksa label nalika swara mirip.
Apa Whisper bisa transkripsi wektu nyata?
Ora langsung. Whisper dirancang kanggo audio rekaman lan ngolah jendhela 30 detik; kartu OpenAI nyebut wektu nyata butuh kerja tambahan. Pangembang wis nggawe piranti meh wektu nyata kanthi menehi potongan cilik nalika teka. Yen butuh caption langsung, goleki piranti kanthi mode khusus lan siapna wektu luwih akeh kanggo mbenerake asil tinimbang transkrip rekaman rampung.
Pira basa sing didhukung Whisper?
Whisper ngenali kira-kira 99 basa lan tokenizer saiki nyathet 100 kode sawise Kanton ditambah ing large-v3. Kualitas beda banget. Kartu OpenAI nyebut asil kuwat ing kira-kira 10 basa lan makalah nemokake umume basa duwe kurang saka 1.000 jam latihan. Coba klip cendhak sadurunge gumantung marang basa sing kurang umum. Angka produk kaya 130+ basa whispertranscribe.ai nerangake dhukungan produk, dudu model open-source.
Apa whispertranscribe.ai padha karo OpenAI Whisper?
Ora. OpenAI Whisper yaiku model open-source sing diundhuh lan digunakake dhewe. whispertranscribe.ai yaiku layanan transkripsi kapisah ing browser; kaca utamane nyebut nggunakake Whisper lan AI generasi sabanjure. Layanan iki nambah fitur sing ora ana ing model dhasar, kayata unggahan nganti 5 GB, impor tautan YouTube utawa Google Drive, deteksi pamicara lan ekspor DOCX, PDF, SRT lan VTT. Aplikasi liyane kanthi jeneng „Whisper“ iku produk kapisah saka perusahaan beda.
Napa Whisper kadhang nulis tembung sing ora diucapake?
Amarga model prédhiksi teks kaya model basa. Kartu OpenAI nyebut latihan ing data web gedhe lan rame bisa nyebabake tembung sing ora ana ing audio. Miturut OpenAI, model nyampur prédhiksi tembung sabanjure lan transkripsi sing dirungokake. Riset 2024 nemokake frasa sing digawe dhewe ing kira-kira 1% transkrip sing dipriksa, luwih kerep ing jeda dawa. Priksa jeda, bagean sepi lan informasi penting karo audio.
Pengin transkrip Whisper tanpa instalasi? Unggah berkas utawa tempel tautan ing whispertranscribe.ai kanggo teks ing luwih saka 130 basa kanthi ekspor DOCX, PDF, SRT lan VTT.
Referensi
- OpenAI: Introducing Whisper (21 September 2022)
- Radford lan kanca-kanca: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Repositori Whisper GitHub lan README, kartu model lan lisensi MIT
- Hugging Face: kartu model openai/whisper-large-v3
- Dokumentasi API OpenAI: pandhuan speech to text (dipriksa November 2026)
- Koenecke lan kanca-kanca: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
