Whisper AI қаншалықты дәл? WER, нақты шектеулер және кеңестер (2026)

whispertranscribe.ai редакциясы · Жаңартылған: 2026 жылғы қараша · 13 минут оқу · Санат: Транскрипция дәлдігі

Whisper қаншалықты дәл? OpenAI мақаласында таза, оқылған ағылшын тілінде Whisper large-v2 сөз қатесінің деңгейі (WER) 2.5%, яғни 100 сөздің шамамен 97–98-і дұрыс. Күрделі аудиода көрсеткіш нашар: телефон қоңырауларында 13.6%, шулы кешкі отырыста 24.9%, алыстағы бір микрофонмен жазылған жиналыста 39.9%.

Whisper — OpenAI-дің ашық бастапқы кодты сөйлеуді тану моделі және көптеген транскрипция қосымшаларының, соның ішінде біздің құралдың негізі. Бұл нұсқаулық дәлдікке арналған: WER нені өлшейді, аудио түрі мен тілге қарай нәтижелер, Whisper қателері және оны өзіңіз сынау жолы. Модель туралы Whisper AI деген не мақаласын қараңыз.

Сандардың көбі Whisper мақаласынан алынған (Radford және басқалар, 2022); онда барлық модельдер тест жиынына қосымша бейімделмей «zero-shot» сыналған. Жаңарақ large-v3 модель картасы көптеген тілде large-v2-ге қарағанда 10%–20% аз қате туралы хабарлайды, бірақ әр деректер жиыны бойынша толық кесте бермейді. Бұл мақаланы whispertranscribe.ai жариялайды. Біз оған арнап benchmark жүргізген жоқпыз; мұндағы сандар біздің сынақ нәтижеміз емес.

Whisper дәлдігі бір қарағанда

Бір тест жиыны сұраққа толық жауап бермейді: көрсеткішке аудионың өзі ең көп әсер етеді. Кестеде OpenAI-дің large-v2 үшін beam search және temperature fallback қолданып, мәтінді нормалағаннан кейін алған нәтижелері берілген (қосымшадағы 9-кесте).

Аудио түрі Мақаладағы тест жиыны Whisper large-v2 WER Дұрыс сөздердің шамамен үлесі
Аудиокітап, анық оқушы LibriSpeech test-clean 2.5% 100 сөздің шамамен 97.5-і
Оқылған жаңалық мәтіні WSJ 2.6% 100 сөздің шамамен 97.4-і
TED баяндамалары TED-LIUM 3 3.7% 100 сөздің шамамен 96-сы
Аудиокітап, күрделірек сөйлеушілер LibriSpeech test-other 4.9% 100 сөздің шамамен 95-і
Үй микрофондарындағы еріктілер Common Voice 5.1 8.2% 100 сөздің шамамен 92-сі
Телефон әңгімелері Switchboard 13.6% 100 сөздің шамамен 86-сы
Ұзақ әлеуметтік-лингвистикалық сұхбаттар CORAAL 14.2% 100 сөздің шамамен 86-сы
Отбасы мен достардың телефон әңгімелері CallHome 16.4% 100 сөздің шамамен 84-і
Жиналыс, әр адамда гарнитура микрофоны AMI IHM 17.4% 100 сөздің шамамен 83-і
Кешкі отырыс, алыстағы микрофондар CHiME-6 24.9% 100 сөздің шамамен 75-і
Жиналыс, үстелдегі бір алыс микрофон AMI SDM1 39.9% 100 сөздің шамамен 60-ы

«Дұрыс сөз үлесі» — 100-ден WER-ді азайту арқылы алынған жуық мән; WER қосылған сөздерді де есептейді.

Жиі 2.7% деген сан да келтіріледі: бұл сол модельдің қарапайым greedy decoding арқылы нәтижесі (мақаланың 2-кестесі). AMI жолдары — бір жиналыстың екі түрлі жазбасы. Микрофонды әр сөйлеушінің басынан үстел ортасына ауыстыру қате деңгейін екі еседен астам арттырады.

Сөз қатесінің деңгейі (WER) деген не және қалай есептеледі?

WER — адам тексерген эталонмен салыстырғанда транскриптідегі қате сөздер үлесі. Үш түрлі қатені санап, эталондағы сөз санына бөліңіз:

WER = (алмастыру + түсіру + қосу) ÷ эталондағы сөз саны

  • Алмастыру: дұрыс сөздің орнына басқа сөз («жоба» орнына «жота»).
  • Түсіру: айтылған сөз транскриптте жоқ.
  • Қосу: ешкім айтпаған сөз транскриптте бар.

Ашық бастапқы кодты jiwer кітапханасымен бағалауға болатын өз мысалымыз:

Жол Мәтін
Эталон (22 сөз) біз жаңа өнім таныстырылымын наурыздың тоғызыншы күніне ауыстырдық өйткені жеткізуші екі мерзімді өткізіп алды және дәрігер пател жаңа сынақ жоспарын сұрады кеше
Транскрипт біз жаңа өнім кездесуін наурыздың тоғызыншы күніне ауыстырдық өйткені жеткізуші екі мерзімді өткізіп алды және дәрігер батал жаңа сынақ жоспарын сұрады бүгін
Қателер 2 алмастыру (кездесуін, батал), 1 түсіру (кеше), 1 қосу (бүгін)
WER 4 ÷ 22 = 18.2%

WER туралы үш жайт:

  1. 100%-дан асуы мүмкін. Қосылатын сөздер шектелмейді; мақаладағы Fleurs нәтижелерінде ресурсы аз кейбір тілдер 100%-дан асады.
  2. Нормалау нәтижені өзгертеді. «Dr.» мен «doctor» екі мәтін бірдей тазаланбаса қате болып саналады. OpenAI нормалау кей жиындарда негізінен пішімдеу айырмашылығын жойып, WER-ді 50%-ға дейін азайтқанын айтады.
  3. Кей тілдер таңба қатесінің деңгейін (CER) қолданады. Қытай, жапон, тай, лаос және бирма тілдерінде сөздер бос орынмен бөлінбейтіндіктен мақала таңбаларды бағалайды.

Тест жиыны мен есептеу әдісі аталмаған дәлдік мәлімдемесі, кім айтса да, соның ішінде біз айтсақ та, өлшем емес.

Whisper ағылшын тілінде қаншалықты дәл?

Whisper анық ағылшын тілінде өте дәл және күрделі жазбаларда да қолдануға жарамды. Мақалада LibriSpeech нәтижесі шамалас бақыланатын wav2vec 2.0 моделіне қарағанда басқа 12 ағылшын деректер жиынында 55.2% аз қате жіберген.

Ұзақ жазбалар

Whisper аудионы 30 секундтық терезелермен оқиды, сондықтан мақалада ұзақ файлдар бөлек сыналған (қосымшадағы 16-кесте, large-v2):

Ұзақ жазба тест жиыны Құрамы WER
TED-LIUM 3 11 толық TED баяндамасы 3.5%
Meanwhile 64 түнгі телехабар үзіндісі, ерекше сөздер көп 5.1%
Kincaid46 2018 жылғы салыстырудан 46 түрлі жазба 8.8%
Earnings-21 Компаниялардың қаржы нәтижелері жөніндегі қоңыраулары 9.7%
Rev16 16 подкаст эпизоды 11.3%
Earnings-22 Акценттері көп қосымша қаржы қоңыраулары 12.6%
CORAAL Афроамерикалық ағылшын тіліндегі 231 толық сұхбат 19.6%

Whisper және адам транскрипциялаушылары

OpenAI Kincaid46 жиынындағы 25 жазбаны төрт адам қызметіне және компьютер көмегімен жұмыс істейтін бір қызметке транскрипциялатқан. Компьютер көмегімен қызмет Whisper-ден 1.15 пайыздық тармаққа жақсы, ал тек адам қызметтері тармақтың аз ғана бөлігіне жақсы нәтиже көрсеткен. Мақала мұны мінсіз емес, бірақ адам дәлдігіне өте жақын деп бағалайды.

Модель өлшемі маңызды

Whisper бірнеше өлшемде бар, ал қолданбалар қайсысын қолданатынын әрдайым айтпайды (қосымшадағы 9-кесте):

Модель Параметрлер 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%

Аудио күрделенген сайын айырмашылық өседі: таза аудиокітапта шамамен 4, кешкі отырыста 23 тармақ. Жаңарақ turbo — оңтайландырылған large-v3; OpenAI GitHub README нұсқаулығы әлдеқайда жылдам транскрипция үшін дәлдіктің аздап төмендейтінін айтады.

Whisper басқа тілдерде қаншалықты дәл?

Ағылшын тілінен тыс дәлдік негізінен Whisper сол тілде қанша аудиомен үйретілгеніне байланысты. Мақала оқыту сағаттарының логарифмі мен WER логарифмі арасында 0.83 квадрат корреляция тапқан және дерек 16 есе артқанда WER шамамен екі есе азаяды деп бағалаған. Ағылшыннан басқа 96 тілдің көбінде 1,000 сағаттан аз дерек болған.

Таңдалған Fleurs нәтижелері (оқылған сөйлемдер, large-v2, қосымшадағы 13-кесте):

Тіл Fleurs WER Ескертпе
Испан 3.0% Кестедегі ең төмен
Ағылшын 4.2%
Португал 4.3%
Неміс 4.5%
Жапон 5.3% Таңба қатесінің деңгейі
Орыс 5.6%
Француз 8.3%
Корей 14.3% Ауытқыған нәтиже ретінде белгіленген
Қытай 14.7% Таңба қатесінің деңгейі
Араб 16.0%
Хинди 21.5%
Иврит 27.1% Ауытқыған нәтиже ретінде белгіленген
Суахили 39.3%
Телугу 99.0% Ауытқыған нәтиже ретінде белгіленген

Мақала иврит, телугу, қытай және корей тілдері оқыту дерегіне қарағанда болжанғаннан нашар нәтиже көрсеткенін атап өтеді; бұған тілдік алшақтық, жазу жүйесіне нашар үйлескен токенизатор немесе дерек сапасы себеп болуы мүмкін. Fleurs — оқылған сөйлеу, сондықтан әңгімеде қате жоғары болуы ықтимал. README-де Common Voice 15 және Fleurs бойынша large-v3 пен large-v2 үшін жаңарақ график бар.

Испан аудиосын мәтінге транскрипцияласаңыз, испан нәтижелері үмітті. Ресурсы аз тілдерде бүкіл жобаны бастамас бұрын қысқа үзіндіні сынаңыз.

Whisper дәлдігіне не әсер етеді?

Ең маңыздысы — жазу жағдайлары. Мақала мен модель картасындағы дәлелдер:

Фактор Дәлел не көрсетеді Не істеу керек
Фон шуы Сигнал-шу арақатынасы 10 dB-ден төмен бар шуында Whisper салыстырылған 14 модельдің бәрінен жақсы, бірақ шу артқанда барлық модель нашарлады Тыныш бөлмеде, желдеткіш пен музыкадан алыс жазыңыз
Микрофон қашықтығы Бір AMI жиналыстары: гарнитурада 17.4%, бір үстел микрофонында 39.9% Микрофонды сөйлеушіге жақын ұстаңыз
Әңгіме және қабаттасу Телефон мен кешкі отырыста 13.6%–24.9%, оқылған сөйлеуде 2.5% Бір уақытта бір адам сөйлесін; әр адамға микрофон
Акцент пен диалект Модель картасында акцент пен диалект бойынша дәлдік әркелкі; ұзақ CORAAL сұхбаттары 19.6% Нақты жазбаңыздағыдай сөйлейтін адамдармен сынаңыз
Сирек сөздер мен терминдер Термині көп Meanwhile жиынында жақсы (5.1%), бірақ есімдер мен техникалық терминдер жиі қате Есімдер мен терминдерді тізіммен тексеріңіз
Тіл ресурстары Fleurs WER 3.0%-дан (испан) 99.0%-ға (телугу) дейін Тілді өзіңіз таңдаңыз; ресурсы аз тілге көбірек тексеру жоспарлаңыз
Модель өлшемі CHiME-6: tiny 48.0%, large-v2 24.9% Құрал қай модельді қолданатынын сұраңыз немесе ең үлкенін пайдаланыңыз
Файл пішімі мен дискреттеу жиілігі Whisper коды барлық аудионы 16 kHz mono-ға қайта дискреттейді 48 kHz WAV таза 16 kHz файлдан артық емес

MP3-ті үлкен WAV-қа айналдыру жоғалған мәліметті қалпына келтірмейді. Орташа битрейттегі таза жазба жоғары битрейттегі шулы жазбадан жақсы.

Whisper-дің белгілі мәселелері: ойдан шығарылған мәтін, қайталану және уақыт белгілері

OpenAI осы қателердің әрқайсысын құжаттаған; олардың маңызы WER-дегі үлесінен жоғары болуы мүмкін.

Ойдан шығарылған мәтін

Whisper ешкім айтпаған сөздерді жаза алады. Модель картасы аудио кірісінде айтылмаған мәтін шығуы мүмкін екенін ескертеді; модель ықтимал келесі сөздерді де болжайтындықтан солай болуы ықтимал. Мақала шектеулерінде аудиоға қатысы жоқ толық ойдан шығарылған нәтиже де аталады.

Тәуелсіз Careless Whisper зерттеуі (Koenecke және басқалар, 2024) 2023 жылғы сәуір мен мамырда 13,140 аудио сегментті OpenAI Whisper API арқылы өңдеген. Транскрипциялардың шамамен 1%-ында (орташа 1.4%) толық ойдан шығарылған тіркестер не сөйлемдер болды, олардың 38%-ында зорлық немесе жалған байланыс сияқты зиянды мазмұн болған. Ұзағырақ кідірген сөйлеушілерде, зерттеуде афазиясы бар адамдарда, бұл жиірек кездескен. API содан бері өзгерді, сондықтан мұны 2023 жылғы өлшем деп қараңыз.

Қайталану және түсіп қалған сөздер

Модель картасы Whisper қайталанатын мәтінге бейім екенін, beam search пен температура кестесі оны азайтқанымен толық шешпейтінін айтады. Мақалада сегменттің бірінші немесе соңғы сөздерін өткізіп жіберу де аталады. Декодтау түзетулері ұзақ жазбалардағы орташа WER-ді 11.0%-дан 10.0%-ға түсірген: жақсарған, бірақ шешілмеген.

Үнсіздік, музыка және толтырма сөздер

Ойдан шығарылған мәтін ұзақ үнсіздік пен музыкада жиі пайда болады. Мақала Whisper-дің өз «сөйлеу жоқ» сигналы жеке өзі сенімсіз екенін анықтаған; ашық кодта ықтимал ойдан шығарылған мәтін байқалса, ұзақ үнсіздікті өткізу мүмкіндігі бар.

Уақыт белгісінің жылжуы және ұзақ файлдар

Whisper ұзақ аудионы бір уақытта 30 секундтық тереземен өңдейді, келесі терезені өз болжаған уақыт белгісімен орналастырады; мақалада бір терезедегі қате келесісіне өтуі мүмкін делінген. Кодта сөз деңгейіндегі уақыт белгілері «experimental» деп белгіленген. Субтитрлерде кідіріс маңындағы уақытты тексеріңіз.

Әзірлеу кезінде OpenAI Whisper сөйлеушілердің атын болжағанын және олардың дерлік әрқашан қате болғанын да байқаған. Шығарылған модельдер мұны азайту үшін бейімделген, бірақ мәтіндегі есімдерді тексеріңіз.

Whisper транскрипциясының дәлдігін арттырудың 10 жолы

Көп жақсарту транскрипция түймесін басқанға дейін жасалады. Шамамен әсері көптен азға қарай:

  1. Микрофонды жақын қойыңыз. AMI жиналыстарында қашықтықтың өзі қате деңгейін екі еседен астам арттырған.
  2. Шуды көзінде азайтыңыз. Терезелерді жауып, желдеткіш пен музыканы өшіріңіз.
  3. Бір-бірінің сөзін бөлмеңіз. Бір уақытта бір адамның сөйлеуі кез келген баптаудан пайдалы.
  4. Ұзақ үнсіздік пен музыкалық кіріспені қиыңыз, ойдан шығарылған мәтін жиі сол жерде пайда болады. Сөйлем ортасынан емес, кідірістен қиыңыз.
  5. Тілді өзіңіз орнатыңыз. Whisper 82 Fleurs тілінде тілді 80.3% жағдайда дұрыс анықтаған; қысқа немесе акцентті үзінділерде автоматты анықтау қателесуі мүмкін.
  6. Қолжетімді ең үлкен модельді қолданыңыз, әсіресе шулы жазбалар үшін.
  7. Өзіңіз орналастырған модельге есімдер мен терминдерді prompt арқылы беріңіз. Ашық Whisper күтілетін жазылымдарды --initial_prompt арқылы қабылдайды.
  8. Түпнұсқа файлды жүктеңіз. Динамиктен қайта жазу немесе қайта-қайта сығу мәліметті жоғалтады.
  9. Терминдерді тексеріңіз. Әр есім, сан, күн және қысқартуды іздеп, аудиомен салыстырыңыз.
  10. Екі рет қарап шығыңыз. Алдымен қалыпты жылдамдықта қателерді түзетіңіз. Кейін қайталанған жолдарды, үнсіздік үстіндегі сөйлемдерді және «Көргеніңізге рахмет» сияқты аяқтауларды іздеңіз. Құқықтық, медициналық немесе жарияланатын жұмысқа адам толық тексеру жасасын.

Өз аудиоңызда Whisper дәлдігін қалай өлшеуге болады?

Жұмысыңызға ең жақсы баға — өз жазбаларыңыздағы 30 минуттық сынақ. Бұл қадамдарды өзіңіз орындайсыз; бұл whispertranscribe.ai сынағы емес.

  1. Әрқайсысы 2 минуттық үш үзінді таңдаңыз: нақты жұмысыңызға ұқсас оңай, әдеттегі және қиын жазба.
  2. Эталон транскриптті қолмен сөзбе-сөз жазыңыз. Алдымен ереже қойыңыз: «мм»-ды сақтау не алып тастау, сандарды цифрмен не сөзбен жазу.
  3. Әр үзіндіні сыналатын құралмен транскрипциялап, жай мәтін ретінде сақтаңыз.
  4. Екі мәтінді бірдей нормалаңыз. OpenAI нормалағышы openai-whisper құрамында беріледі.
  5. jiwer арқылы WER есептеңіз:
# 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}")
  1. Маңызды қателерді бөлек санаңыз. Бес қате толтырма сөз бен бес қате клиент есімі бірдей WER береді, бірақ мәселесі бірдей емес.
  2. Нәтижелерді тіркеңіз, құралдар мен баптауларды салыстыру үшін:
Үзінді Жағдай Эталон сөздері S D I WER Маңызды қателер
A үзіндісі Тыныш бөлме, бір сөйлеуші 310
B үзіндісі Бейнеқоңырау, екі сөйлеуші 285
C үзіндісі Кафе, акценті бар сөйлеуші 296

Сөз сандары мысал ретінде берілген. 4-қадамға ескерту: ағылшын нормалағышы «Dr.» мен «doctor», «two» мен «2»-ні сәйкестендіруі мүмкін, бірақ «9th» пен «ninth» айырмасын қате деп санауы мүмкін. Нәтижеге сенбестен бұрын белгіленген айырмашылықтарды оқыңыз.

whispertranscribe.ai қаншалықты дәл?

whispertranscribe.ai — Whisper негізіндегі веб AI транскрипция құралы; 130+ тілді және 5GB, 10 сағатқа дейінгі файлдарды қолдайды. Таза аудиода дәлдігі 99%-ға дейін; жоғарыдағы Whisper benchmark-тары көрсеткендей, фон шуы, күшті акцент және қабаттасқан сөйлеу оны төмендетеді. Біз мақала көрсеткіштеріне теңбіз немесе асып түсеміз деп мәлімдемейміз және өз benchmark-ымызды жариялаған жоқпыз, сондықтан жоғарыдағы қадамдармен өз үзінділеріңізді сынаңыз.

Аккаунтсыз тегін бастауға болады. Ақылы жоспарлар жылдық төлемде $9.99/айдан; бағаларды қараңыз.

Жиі қойылатын сұрақтар

Whisper 99% дәл ме?

Жалпы алғанда жоқ. Whisper-дің жарияланған ең жақсы нәтижесі — анық оқылған аудиокітаптар жиыны LibriSpeech test-clean бойынша 2.5% WER, яғни шамамен 97.5% сөз дұрыс. Телефон, жиналыс және шулы бөлмелерде OpenAI көрсеткіштері шамамен 13%–40% WER. «99%» қай аудиода өлшенгені көрсетілсе ғана мағыналы. Whisper негізіндегі құралдарды, соның ішінде whispertranscribe.ai-ды, жарнамалық пайызбен емес, өз жазбаңызда бағалаңыз.

Қай Whisper моделі ең дәл?

Large модельдері ең дәл. OpenAI мақаласында large-v2 көп тестте ең аз қате көрсеткен; large-v3 модель картасы көптеген тілде large-v2-ден 10%–20% аз қате туралы хабарлайды. Turbo — оңтайландырылған large-v3; OpenAI айтуынша жылдамдықты қатты арттыру үшін дәлдік аздап төмендейді. Ең кіші tiny қиын аудиода әлдеқайда дәл емес: шулы кешкі отырыста 48.0% WER, large-v2-де 24.9%.

Whisper неге айтылмаған сөздерді жазады?

Whisper дыбысты транскрипциялаумен бірге ықтимал мәтінді болжауға үйретілгендіктен ойдан шығаруы мүмкін; OpenAI модель картасы аудиода жоқ мәтін шығуы мүмкін екенін ескертеді. Бұл көбіне ұзақ үнсіздік, музыка немесе шу кезінде болады. 2023 жылғы тәуелсіз зерттеу транскрипциялардың шамамен 1%-ында ойдан шығарылған тіркестерді тапқан, ал кідіріс ықтималдығын арттырған. Үнсіздікті қиып, тілді орнатып және тыныш бөліктерді тексеру тәуекелді азайтады.

Whisper акценттерде қаншалықты дәл?

Whisper көптеген ескі жүйелерден жақсы жұмыс істейді, бірақ біркелкі емес. OpenAI модель картасына сәйкес бір тілдің акценттері мен диалектілерінде дәлдік әртүрлі. Мақалада афроамерикалық ағылшын тіліндегі ұзақ сұхбаттар (CORAAL) 19.6% WER, толық TED баяндамалары 3.5% алған, дегенмен жазу жағдайлары да өзгеше. Сенімді жол — нақты жазбаңыздағыдай сөйлейтін адамдардың үзіндісін сынау және күшті акцентке көбірек тексеру жоспарлау.

Whisper адам транскрипциялаушысындай дәл ме?

Ағылшын тілінде жақын, бірақ ең жақсысына тең емес. OpenAI 25 жазбада бес кәсіби қызметпен салыстырған. Компьютер көмегімен қызметтің жиынтық WER-і Whisper-ден 1.15 тармақ төмен, төрт тек адам қызметі тармақтың аз ғана бөлігіне жақсы болған. Адамдар әдетте есімдерді, қабаттасқан және түсініксіз сөйлеуді жақсырақ өңдейді. Сотқа берілетін, дәйексөзге алынатын немесе жарияланатын мәтінді адам жазбамен салыстырып тексерсін.

Whisper ағылшыннан басқа тілдерде қаншалықты дәл?

Тілге қарай қатты өзгереді. Fleurs benchmark-ында large-v2 испан тілінде 3.0%, немісте 4.5%, французда 8.3%, ивритте 27.1%, телугуде 99.0% WER алған. Қытай және жапон тілі таңба қатесімен бағаланады: 14.7% және 5.3%. Мақала дәлдік әр тілдегі оқыту аудиосының мөлшеріне байланысты екенін анықтаған. Ресурсы аз тілде алдымен қысқа үзіндіні сынап, түзетуге көбірек уақыт бөліңіз.

Өз жазбаңызда дәлдікті сынаңыз

Benchmark-тар басқа адамдардың аудиосын сипаттайды. whispertranscribe.ai-ға 130+ тілдің кез келгенінде үзінді жүктеп, осы нұсқаулықтағы қадамдармен бағалаңыз. Аккаунтсыз тегін бастаңыз немесе жоспарларды салыстырыңыз.

Қатысты мақалалар: Whisper AI деген не? · Ең жақсы тегін транскрипция бағдарламалары · Ең жақсы TurboScribe баламалары · YouTube видеосын транскрипциялау · SRT файлы деген не? · Қатты және жұмсақ субтитрлер

Дереккөздер

Жазбаларыңызды мәтінге айналдырғыңыз келе ме?

Аудио мен бейнені whispertranscribe.ai арқылы мәтінге айналдырыңыз.

Мәтінге айналдыруды бастау ↗