whispertranscribe.ai redakcija · Pēdējoreiz atjaunināts: 2026. gada novembrī · Lasīšanas laiks: 13 minūtes
Kas ir Whisper AI? Visbiežāk ar šo nosaukumu saprot OpenAI Whisper — atvērtā pirmkoda runas atpazīšanas modeli, ko OpenAI publicēja 2022. gada septembrī. Tas pārvērš ierakstītu runu tekstā, atpazīst valodu un var tulkot citas valodas angļu valodā. OpenAI to apmācīja ar 680 000 stundu tīmekļa audio un izlaida kodu un modeļa svarus ar MIT licenci.
Atklātībai: mēs veidojam whispertranscribe.ai — pārlūkā lietojamu transkribēšanas pakalpojumu, kas pārvērš audio un video tekstā vairāk nekā 130 valodās. Šajā ceļvedī atšķiram modeli no produktiem, kas uz tā balstīti; skaitļi par modeli ir ņemti no OpenAI pētījuma, repozitorija vai modeļa kartes.
Īsā atbilde: kas ir Whisper AI?
Whisper ir runas pārvēršanas tekstā modelis, nevis lietotne vai uzņēmums. To var lejupielādēt no OpenAI GitHub repozitorija un darbināt savā datorā vai izmantot pakalpojumu, kas to dara jūsu vietā.
- Izstrādātājs: OpenAI. Pētījums Robust Speech Recognition via Large-Scale Weak Supervision publicēts arXiv 2022. gada 6. decembrī.
- Ko tas dara: transkribē runu, nosaka valodu, tulko runu angļu valodā un pievieno segmentu laika kodus.
- Ko tas nedara bez papildinājumiem: nepiešķir runātāju etiķetes un netranskribē reāllaikā. OpenAI modeļa kartē teikts, ka tiešraides transkribēšanai vajadzīga papildu izstrāde.
- Izmēri: seši — no tiny ar 39 miljoniem parametru līdz large ar 1 550 miljoniem.
- Izmaksas: lejupielāde un darbināšana ir bez maksas; aparatūra jānodrošina pašam.
„Whisper AI“ var nozīmēt trīs dažādas lietas
Nosaukumu lieto plaši, un šīs nozīmes ir viegli sajaukt.
| Ko sauc par „Whisper AI“ | Kas tas ir | Izstrādātājs | Kā lietot |
|---|---|---|---|
| OpenAI Whisper | Atvērtā pirmkoda runas atpazīšanas modelis | OpenAI | Lejupielādēt kodu un svarus un darbināt pašam |
| whisper-1 | OpenAI mitināts transkribēšanas API modelis | OpenAI | Sūtīt audio OpenAI API un maksāt par lietojumu |
| Lietotnes ar „Whisper“ nosaukumā | Transkribēšanas produkti, piemēram, whisperai.com un whispertranscribe.ai (šī vietne) | Atsevišķi uzņēmumi | Augšupielādēt vai ierakstīt audio to lietotnēs |
Trešās rindas produkti nav pats modelis un nav savstarpēji aizstājami. Katrs uzņēmums nosaka savas funkcijas, ierobežojumus, cenas un privātuma noteikumus. Šajā rakstā „Whisper“ nozīmē OpenAI modeli.
Kā darbojas Whisper?
Whisper ir kodētāja un dekodētāja Transformer modelis. Kodētājs pārveido 30 sekundes audio skaitliskā reprezentācijā, bet dekodētājs raksta atbilstošo tekstu pa vienam tokenam, izmantojot īpašus tokenus uzdevuma noteikšanai.
Whisper pētījumā aprakstīti posmi:
- Pārdiskretizācija. Audio pārveido uz 16 000 Hz.
- Sadalīšana 30 sekunžu logos. Modelis vienlaikus aplūko 30 sekundes. Īsāki klipi tiek papildināti.
- Spektrogramma. Katrs logs kļūst par 80 kanālu log-Mel spektrogrammu, kas attēlo skaņas enerģiju dažādās frekvencēs; to aprēķina 25 milisekunžu kadriem ik pēc 10 milisekundēm. Large-v3 izmanto 128 kanālus.
- Kodēšana. Spektrogrammu apstrādā divi konvolūcijas slāņi un Transformer bloki.
- Dekodēšana. Dekodētājs vispirms paredz valodu vai „nav runas“ tokenu, pēc tam uzdevumu (transkribēt vai tulkot), laika kodu izvēli un pašu tekstu.
Arī laika kodi tiek prognozēti kā tokeni un noapaļoti līdz tuvākajām 20 milisekundēm. Tādējādi viens modelis veic valodas noteikšanu, transkribēšanu, tulkošanu un laika piesaisti.
Ar kādiem datiem Whisper apmācīja?
Sākotnējie modeļi mācījās no 680 000 stundu interneta audio ar atbilstošiem transkriptiem. OpenAI to sauc par vāji uzraudzītu apmācību, jo transkripti netika pārbaudīti manuāli kā salīdzinošo testu dati.
| Apmācības audio daļa | Stundas | Saturs |
|---|---|---|
| Aptuveni 65% | 438 000 | Angļu audio ar angļu transkriptu |
| Aptuveni 18% | 126 000 | Citu valodu audio ar angļu transkriptu (tulkojuma dati) |
| Aptuveni 17% | 117 000 | Citu valodu audio ar transkriptu tajā pašā valodā |
Avots: OpenAI Whisper modeļa karte. Pētījumā tulkojumu daļa noapaļota līdz 125 000 stundām.
Divas detaļas izskaidro modeļa darbību. OpenAI izfiltrēja transkriptus, kas izskatījās mašīnveidoti, piemēram, tikai ar lielajiem burtiem, tāpēc modelis iemācījās rakstīt pieturzīmes. Agrīnie modeļi arī mēdza minēt runātāju vārdus, jo tie bieži bija tīmekļa transkriptos. OpenAI šo ieradumu mazināja ar papildu apmācību, taču tas parāda apmācības teksta ietekmi.
Large-v3 apmācīja citādi, izmantojot apmēram 5 miljonus stundu: 1 miljonu ar vājām tīmekļa anotācijām un 4 miljonus, ko anotēja large-v2, saskaņā ar Hugging Face modeļa karti.
Whisper modeļu izmēru salīdzinājums
Whisper ir seši izmēri. Mazie modeļi vienkāršākā aparatūrā darbojas ātrāk; lielie pieļauj mazāk kļūdu, bet prasa vairāk videokartes atmiņas (VRAM). Skaitļi ir no OpenAI README.
| Izmērs | Parametri | Tikai angļu valodai | Daudzvalodu versija | Nepieciešamā VRAM | Ātrums pret 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 | Nav | large | ~10 GB | 1x |
| turbo | 809 M | Nav | turbo | ~6 GB | ~8x |
OpenAI ātrumu mērīja angļu runai ar A100 datu centra GPU un norāda, ka reālais ātrums var ievērojami atšķirties. Klēpjdators darbosies lēnāk.
Kuru Whisper modeli izvēlēties?
Sāciet ar pieejamo atmiņu un transkripta mērķi:
- Pārbaude vienkāršā datorā: tiny vai base, aptuveni 1 GB VRAM. Sagaidiet vairāk kļūdu.
- Tikai angļu valodai: izmantojiet
.enmodeli. OpenAI norāda uz labākiem rezultātiem, īpaši tiny un base. - Laba kvalitāte un saprātīgs ātrums: turbo, aptuveni 6 GB. Tā ir komandrindas noklusējuma izvēle.
- Runas tulkošana angļu valodā: medium vai large. Turbo nav apmācīts tulkošanai un atgriež oriģinālvalodu pat tad, ja prasa tulkojumu.
- Sarežģītākam audio un labākajam rezultātam: large, aptuveni 10 GB VRAM.
Whisper versijas: īsa laika līnija
„Large“ ir trīs laidieni, bet turbo ir samazināts large-v3. Versija ir svarīga, jo modeļa svari ietekmē rezultātu.
| Versija | Izlaista | Izmaiņas |
|---|---|---|
| Sākotnējie modeļi (tiny līdz large) | 2022. gada septembris | Pirmais atvērtā pirmkoda laidiens kopā ar pētījumu |
| large-v2 | 2022. gada decembris | Tas pats izmērs, apmācīts 2,5 reizes ilgāk ar papildu regularizāciju |
| large-v3 | 2023. gada novembris | 128 Mel kanāli, jauns kantoniešu tokens, par 10% līdz 20% mazāk kļūdu nekā v2 daudzās valodās |
| turbo (large-v3-turbo) | 2024. gada septembris | Dekodētāja slāņi samazināti no 32 līdz 4 ātrumam; nav tulkošanas |
Avoti: Whisper modeļa karte, pētījuma zemsvītras piezīme par large-v2 un Hugging Face kartes par large-v3 un large-v3-turbo.
Cik valodas Whisper atbalsta?
Whisper atpazīst apmēram 99 valodas. Pētījuma valodas noteicējs izmantoja 99 valodas tokenus, un pašreizējais tokenizators pēc kantoniešu pievienošanas large-v3 uzskaita 100 valodu kodus. Atbalsts gan nav tas pats, kas kvalitāte: modeļa karte ziņo par labiem rezultātiem aptuveni 10 valodās.
Kvalitāti ietekmē apmācības dati. Pētījumā konstatēts, ka stundas konkrētā valodā labi prognozē rezultātu un lielākajai daļai valodu bija mazāk nekā 1 000 stundu. Angļu, spāņu vai vācu valoda parasti būs precīzāka nekā valoda ar maz datiem. README ir saite uz kļūdu grafiku pa valodām.
Nejauciet to ar produktu datiem. whispertranscribe.ai atbalsta vairāk nekā 130 valodas. Šis skaitlis raksturo mūsu produktu (cenu lapā minētas „130+ valodas un akcenti“), nevis atvērtā Whisper modeļa īpašību.
Cik precīzs ir Whisper?
Whisper nav vienas precizitātes vērtības, jo tā atkarīga no modeļa, valodas un ieraksta. Skaidri nolasītai angļu valodai large-v2 sasniedza 2,7% vārdu kļūdu līmeni (WER). Vidēji 14 angļu testkopās, lielākoties sarežģītākās, tas bija 12,8%.
WER ir aizstāto, izlaisto un pievienoto vārdu īpatsvars pret cilvēka pārbaudītu atsauces transkriptu. Mazāk ir labāk. Skaitļi ir no pētījuma 2. tabulas, kas salīdzina Whisper large-v2 un wav2vec 2.0 modeli, kas apmācīts ar LibriSpeech audiogrāmatām:
| Testkopa | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (nolasītas audiogrāmatas) | 2,7% | 2,7% |
| Common Voice (brīvprātīgo ieraksti) | 29,9% | 9,0% |
| CHiME-6 (trokšņaini vakariņu ieraksti) | 65,8% | 25,5% |
| Visu tabulas 14 testkopu vidējais | 29,3% | 12,8% |
Svarīga ir tendence. Audiogrāmatu testā abi modeļi ir vienādi, taču citos Whisper darbojas labāk, vidēji pieļaujot par 55,2% mazāk kļūdu. OpenAI paziņojumā tas noapaļots līdz 50%. Pētījuma trokšņa testos LibriSpeech apmācītie modeļi bija labāki gandrīz tīram audio, bet atpalika, kad kroga tipa troksnis kļuva skaļš un signāla un trokšņa attiecība nokritās zem 10 dB.
Tie ir pētniecības testi, nevis solījums jūsu failiem; produktu apgalvojumi ir atsevišķi. Piemēram, whispertranscribe.ai skaidram audio var sasniegt līdz 99% precizitāti, bet troksnis, pārklāšanās un izteikti akcenti to samazina.
Kādi ir Whisper ierobežojumi?
Galvenais trūkums ir spēja uzrakstīt ticamu tekstu, ko neviens nav teicis. OpenAI modeļa karte to sauc par halucināciju un saista ar vāji uzraudzītu apmācību. Tā min arī atkārtošanos, nevienmērīgu precizitāti dažādās valodās un akcentos un iebūvētu runātāju etiķešu trūkumu.
- Izdomāts teksts. 2024. gada pētījumā Careless Whisper aptuveni 1% pārbaudīto transkriptu bija veselas frāzes vai teikumi, kas audio neizskanēja. Tas biežāk notika pie garām pauzēm.
- Atkārtošanās cilpas. Modelis var iestrēgt, atkārtojot frāzi. Beam search un temperature fallback zināmā mērā mazina problēmu, taču ne pilnībā, norādīts modeļa kartē.
- Trūkst pirmo vai pēdējo vārdu. Pētījums min segmenta sākuma vai beigu vārdu izlaišanu kā zināmu kļūdu.
- Gariem ierakstiem vajadzīgi logi. Whisper redz 30 sekundes vienlaikus. Transkribēšanas rīks bīda logu pēc prognozētajiem laika kodiem, tāpēc viena kļūda var ietekmēt nākamo logu.
- Nav runātāju etiķešu. Runātāju diarizācija — kurš runāja un kad — saskaņā ar modeļa karti nav rūpīgi novērtēta. Vajadzīgs atsevišķs rīks.
- Pēc noklusējuma nav reāllaika. Modelis paredzēts ierakstiem; tiešraides subtitri prasa papildu izstrādi.
- Atšķirības pēc valodas un akcenta. Modeļa karte norāda lielāku kļūdu līmeni dažiem akcentiem, dialektiem un demogrāfiskām grupām.
OpenAI arī brīdina netranskribēt cilvēkus bez viņu piekrišanas un neizmantot rezultātu augsta riska lēmumiem.
Kur oficiālie avoti atšķiras
Daži OpenAI skaitļi atšķiras, galvenokārt noapaļošanas vai versiju dēļ. Pārbaudiet pirms citēšanas:
| Temats | Viens oficiālais avots | Cits avots | Ko izmantot |
|---|---|---|---|
| Kļūdu samazinājums pret LibriSpeech modeļiem | Pētījums: vidēji par 55,2% mazāk | OpenAI paziņojums: par 50% mazāk | Citējiet pētījumu un nosauciet salīdzinājumu |
| Apmācības valodas bez angļu | Pētījums: vēl 96 | Modeļa karte: 98 valodas | Atpazīšanai „apmēram 99 valodas“ |
| Tulkošanas apmācības stundas | Modeļa karte: 126 000 | Pētījums: 125 000 | Jebkuru, norādot aptuvenumu |
| Turbo parametru skaits | README un Hugging Face: 809 M | Modeļa kartes tabula: 798 M | 809 M, ko izmanto vairums avotu |
| Apmācības datu apjoms | Sākotnējais pētījums: 680 000 stundas | Large-v3 karte: 5 miljoni stundu | Nosauciet attiecīgo versiju |
| Licence | GitHub: MIT kodam un svariem | Hugging Face large-v3 metadati: Apache-2.0 | Pārbaudiet lejupielādētās kopijas licenci |
Kā lietot Whisper: pats, API vai lietotne
Ir trīs praktiski ceļi. Darbinot Whisper pašam, tas ir bez maksas un audio paliek datorā. OpenAI API novērš instalēšanu, bet ierobežo faila izmēru. Mitināta lietotne pievieno rediģēšanu, runātājus un eksportu, taču ir trešās puses pakalpojums ar saviem noteikumiem.
| Atvērtā Whisper darbināšana | OpenAI transkribēšanas API | Mitināta transkribēšanas lietotne | |
|---|---|---|---|
| Sagatavošana | Python, PyTorch un FFmpeg | Kods un API atslēga | Pārlūks |
| Izmaksas | Bez maksas; jūsu aparatūra | Maksa pēc lietojuma | Bezmaksas līmenis vai abonements; atšķiras |
| Failu ierobežojumi | Jūsu aparatūra | 25 MB katram failam | Nosaka katra lietotne |
| Kur nonāk audio | Paliek datorā | Tiek nosūtīts OpenAI | Tiek nosūtīts lietotnes serveriem |
| Runātāju etiķetes | Nav iebūvētas | Nav whisper-1 | Atkarīgs no lietotnes |
| Rediģēšana un eksports | TXT, SRT, VTT, TSV, JSON komandrindā | Atgriež kodam; pārējo izstrādājat | Parasti redaktors, dokumenti un subtitri |
Darbiniet Whisper savā datorā
OpenAI README norāda instalēšanas un pamata palaišanas komandu:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Nepieciešams arī FFmpeg; README norāda Python 3.8 līdz 3.11. Pievienojiet --language, lai norādītu valodu, vai --task translate ar daudzvalodu modeli, lai iegūtu angļu tekstu. Modeļa svari tiek lejupielādēti pirmajā reizē.
Izmantojiet OpenAI API
OpenAI runas pārvēršanas tekstā ceļvedis ierobežo augšupielādi līdz 25 MB katram failam; lielākus failus saspiediet vai sadaliet. Saskaņā ar 2026. gada novembra pārbaudi ceļvedis atzīmē whisper-1 kā novecojušu, norāda slēgšanas datumu 2027. gada 26. februārī un iesaka jaunākus transkribēšanas modeļus. Tie ir OpenAI runas modeļi, nevis jauni atvērtās Whisper saimes laidieni.
Izmantojiet mitinātu transkribēšanas lietotni
Ja nevēlaties neko instalēt, mitināta lietotne apstrādā failus savos serveros. whispertranscribe.ai ir viena izvēle; bezmaksas audio pārvēršana tekstā ļauj to izmēģināt. Mūsu sākumlapa raksturo whispertranscribe.ai kā pakalpojumu ar Whisper un nākamās paaudzes AI. Produktu lapās norādīts:
- Augšupielādējiet audio vai video līdz 5 GB un 10 stundām vai ievietojiet YouTube, Vimeo, Google Drive vai Dropbox saiti transkribēšanai no URL.
- Vairāk nekā 130 valodas ar ieslēdzamu runātāju noteikšanu.
- Tiešraides transkribēšana no mikrofona un ierakstīšana un transkribēšana pārlūkā.
- DOCX, PDF, SRT, VTT, TXT un CSV eksports, arī subtitri ar AI subtitru ģeneratoru.
- Audio tulkošana angļu valodā citu valodu ierakstiem.
Ir arī kompromisi: fails nonāk mākoņpakalpojumā, nevis paliek datorā. whispertranscribe.ai nepiedāvā API, pielāgotu vārdu krājumu vai sapulču robotu. Maksas plāni sākas no $9.99 mēnesī ar gada rēķinu (cenas); varat sākt bez maksas bez konta. Skatiet Whisper AI transkribēšanas rīku vai visas funkcijas.
Vai Whisper ir atvērtais pirmkods un ko atļauj licence?
Jā. OpenAI repozitorijā norādīts, ka Whisper kods un modeļa svari ir izdoti ar MIT licenci. Tā ir atļaujoša licence, kas parasti ļauj lietot, kopēt, mainīt un pārdot uz koda veidotu programmatūru, saglabājot autortiesību un licences paziņojumu.
Divi piesardzības punkti: citās vietnēs kopijām var būt atšķirīgi licences metadati; Hugging Face large-v3 lapā norādīta Apache-2.0. Izlasiet jūsu kopijas licenci. Licence aptver programmatūru, nevis ievadītos ierakstus. Audio joprojām piemēro piekrišanas un privātuma noteikumus. Šī ir vispārīga informācija, nevis juridisks padoms; oficiālais avots ir MIT licences teksts.
Kam Whisper ir piemērots?
Whisper ir piemērots izstrādātājiem un cilvēkiem, kas prot lietot termināli un vēlas bezmaksas, privātu un neierobežotu transkribēšanu savā datorā. Ja vajag gatavu transkriptu ar redaktoru un eksportu, mitināta lietotne parasti ir ātrāka.
| Jūs esat… | Piemērota izvēle | Kāpēc |
|---|---|---|
| Izstrādātājs, kas veido produktu | Atvērtā pirmkoda Whisper vai API | Pilna kontrole pār apstrādi |
| Pētnieks ar sensitīvām intervijām | Whisper lokāli | Audio nepamet datoru |
| Veidotājs, kam šonedēļ vajadzīgi subtitri | Mitināta lietotne ar SRT vai VTT | Nav instalēšanas; faili ar laiku gatavi augšupielādei |
| Klēpjdatora lietotājs bez GPU | Mazs lokāls modelis vai mitināta lietotne | Lieliem modeļiem vajag aptuveni 10 GB VRAM |
Pirms uzticaties Whisper transkriptam: kontrolsaraksts
Saraksts balstīts kļūdu veidos OpenAI pētījumā un modeļa kartē:
- Pārbaudiet pauzes un klusos posmus, vai nav izdomātu teikumu.
- Meklējiet vienas frāzes atkārtošanos vairākas reizes.
- Salīdziniet faila pirmās un pēdējās rindas ar audio.
- Pārbaudiet vārdus, skaitļus un tehniskos terminus.
- Pārliecinieties, ka valoda noteikta pareizi, vai norādiet to manuāli.
- Tulkošanai pārliecinieties, ka neizmantojāt turbo.
- Ja vajag, pievienojiet runātāju etiķetes ar atsevišķu rīku.
- Pirms citu cilvēku ierakstīšanas vai transkribēšanas saņemiet piekrišanu.
Bieži uzdotie jautājumi
Vai Whisper AI ir bez maksas?
Jā, OpenAI Whisper var bez maksas lejupielādēt un darbināt. OpenAI izsniedz kodu un svarus ar MIT licenci, tāpēc OpenAI nav jāmaksā par lietošanu. Dators gan jānodrošina pašam, un large modelim vajag ap 10 GB GPU atmiņas. Mitināti risinājumi maksā: OpenAI API iekasē pēc lietojuma, lietotnēm ir savi plāni. Bezmaksas nenozīmē vienkārši — vajadzīgs Python, FFmpeg un zināšanas par komandrindu.
Vai Whisper var atšķirt runātājus?
Pats par sevi nē. Whisper pieraksta teikto, bet nenorāda, kurš runāja. OpenAI karte saka, ka runātāju diarizācija nav rūpīgi novērtēta. Etiķetēm Whisper parasti apvieno ar atsevišķu diarizācijas rīku vai lieto transkribēšanas pakalpojumu ar šo funkciju. whispertranscribe.ai ļauj ieslēgt runātāju noteikšanu pirms transkribēšanas. Pārbaudiet etiķetes, ja balsis ir līdzīgas.
Vai Whisper var transkribēt reāllaikā?
Ne bez papildinājumiem. Whisper ir paredzēts ierakstiem un apstrādā 30 sekunžu logus; OpenAI karte norāda, ka reāllaikam vajadzīgs papildu darbs. Izstrādātāji ir veidojuši gandrīz reāllaika rīkus, padodot īsus fragmentus pēc kārtas. Tiešraides subtitriem meklējiet īpašu režīmu un paredziet vairāk labojumu nekā gatavam ierakstam.
Cik valodas Whisper atbalsta?
Whisper atpazīst apmēram 99 valodas; pašreizējais tokenizators pēc kantoniešu pievienošanas large-v3 uzskaita 100 kodus. Kvalitāte ievērojami atšķiras. OpenAI karte ziņo par labiem rezultātiem apmēram 10 valodās, bet pētījumā lielākajai daļai bija mazāk par 1 000 apmācības stundām. Pirms paļauties uz retāku valodu, pārbaudiet īsu klipu. Produktu skaitļi, piemēram, whispertranscribe.ai 130+ valodas, raksturo produktu, nevis atvērto modeli.
Vai whispertranscribe.ai ir tas pats, kas OpenAI Whisper?
Nē. OpenAI Whisper ir atvērtā pirmkoda modelis, ko lejupielādējat un darbināt pats. whispertranscribe.ai ir atsevišķs pārlūka transkribēšanas pakalpojums; sākumlapa norāda uz Whisper un nākamās paaudzes AI izmantošanu. Tas pievieno funkcijas, kuru pamata modelim nav, piemēram, augšupielādi līdz 5 GB, YouTube vai Google Drive saites, runātāju noteikšanu un DOCX, PDF, SRT un VTT eksportu. Citas lietotnes ar „Whisper“ nosaukumā ir atsevišķi uzņēmumu produkti.
Kāpēc Whisper dažreiz uzraksta vārdus, kas netika pateikti?
Jo tas prognozē tekstu līdzīgi valodas modelim. OpenAI modeļa karte norāda, ka apmācība ar lieliem, trokšņainiem tīmekļa datiem dažreiz rada vārdus, kuru audio nav. OpenAI skaidro, ka modelis apvieno nākamā ticamā vārda prognozi ar dzirdētā transkribēšanu. 2024. gada pētījumā izdomātas frāzes bija aptuveni 1% pārbaudīto transkriptu, biežāk garu paužu tuvumā. Salīdziniet pauzes, klusos posmus un svarīgo ar audio.
Vēlaties Whisper transkriptu bez instalēšanas? Augšupielādējiet failu vai ievietojiet saiti whispertranscribe.ai un iegūstiet tekstu vairāk nekā 130 valodās ar DOCX, PDF, SRT un VTT eksportu.
Avoti
- OpenAI: Introducing Whisper (2022. gada 21. septembrī)
- Radford un līdzautori: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Whisper GitHub repozitorijs un README, modeļa karte un MIT licence
- Hugging Face: openai/whisper-large-v3 modeļa karte
- OpenAI API dokumentācija: Speech to text ceļvedis (pārbaudīts 2026. gada novembrī)
- Koenecke un līdzautori: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
