Redakcja whispertranscribe.ai · Ostatnia aktualizacja: listopad 2026 · Czas czytania: 13 minut
Czym jest Whisper AI? Najczęściej chodzi o OpenAI Whisper, otwarty model rozpoznawania mowy opublikowany przez OpenAI we wrześniu 2022 r. Zamienia nagraną mowę na tekst, identyfikuje język i potrafi tłumaczyć inne języki na angielski. OpenAI wytrenowało go na 680 000 godzin audio z internetu i udostępniło kod oraz wagi na licencji MIT.
Informacja: tworzymy whispertranscribe.ai. whispertranscribe.ai to internetowe narzędzie transkrypcji AI zamieniające audio i wideo na tekst w 130+ językach. W poradniku wyraźnie rozróżniamy model od produktów na nim zbudowanych, a każda liczba o modelu pochodzi z publikacji, repozytorium lub karty modelu OpenAI.
Krótka odpowiedź: czym jest Whisper AI?
Whisper to model mowy na tekst, nie aplikacja ani firma. Można pobrać go z repozytorium GitHub OpenAI i uruchomić na własnym komputerze lub użyć usługi, która robi to za Ciebie.
- Twórca: OpenAI. Publikacja Robust Speech Recognition via Large-Scale Weak Supervision ukazała się w arXiv 6 grudnia 2022 r.
- Co robi: transkrybuje mowę, wykrywa język, tłumaczy mowę na angielski i dodaje czas segmentów.
- Czego nie robi standardowo: nie oznacza mówców ani nie transkrybuje na żywo. Karta modelu OpenAI podaje, że nie można go bez zmian użyć do transkrypcji w czasie rzeczywistym.
- Rozmiary: sześć, od tiny (39 milionów parametrów) do large (1 550 milionów).
- Koszt: pobranie i uruchomienie są darmowe. Sprzęt zapewniasz samodzielnie.
„Whisper AI” może oznaczać trzy rzeczy
Nazwa bywa używana swobodnie, a te trzy znaczenia łatwo pomylić.
| Co nazywa się „Whisper AI” | Co to jest | Kto tworzy | Jak używać |
|---|---|---|---|
| OpenAI Whisper | Otwarty model rozpoznawania mowy | OpenAI | Pobierz kod i wagi, uruchom samodzielnie |
| whisper-1 | Hostowany model API OpenAI do transkrypcji | OpenAI | Wysyłaj audio do API OpenAI i płać za użycie |
| Aplikacje z „Whisper” w nazwie | Produkty transkrypcji, np. whisperai.com i whispertranscribe.ai (ta witryna) | Osobne firmy | Prześlij lub nagraj audio w aplikacji |
Produkty w trzecim wierszu nie są samym modelem ani nie są wymienne. Każda firma ustala własne funkcje, limity, ceny i zasady prywatności. W tym artykule „Whisper” oznacza model OpenAI.
Jak działa Whisper?
Whisper to Transformer encoder-decoder. Enkoder zamienia 30 sekund audio w reprezentację liczbową, a dekoder zapisuje odpowiadający tekst po jednym tokenie, kierowany specjalnymi tokenami wskazującymi zadanie.
Publikacja Whisper opisuje proces:
- Ponowne próbkowanie. Audio jest zmieniane na 16,000 Hz.
- Podział na 30-sekundowe okna. Model ogląda zawsze po 30 sekund. Krótsze klipy są dopełniane.
- Spektrogram. Każde okno staje się 80-kanałowym spektrogramem log-Mel pokazującym energię według częstotliwości, obliczanym dla 25-milisekundowych ramek co 10 milisekund. (Large-v3 używa 128 kanałów.)
- Kodowanie. Dwie warstwy konwolucyjne i stos bloków Transformer przetwarzają spektrogram.
- Dekodowanie. Dekoder przewiduje najpierw język lub token „brak mowy”. Następne są zadanie (transkrypcja lub tłumaczenie), decyzja o czasie i sam tekst.
Czas również jest przewidywany jako tokeny i zaokrąglany do najbliższych 20 milisekund. Dzięki temu jeden model obsługuje wykrywanie języka, transkrypcję, tłumaczenie i synchronizację.
Na czym trenowano Whisper?
Oryginalne modele uczyły się z 680 000 godzin audio internetowego z pasującymi transkrypcjami. OpenAI nazywa to słabym nadzorem, ponieważ zapisów nie sprawdzono ręcznie jak zbiorów benchmarkowych.
| Udział audio treningowego | Godziny | Treść |
|---|---|---|
| Około 65% | 438 000 | Angielskie audio z angielską transkrypcją |
| Około 18% | 126 000 | Nieangielskie audio z angielską transkrypcją (dane tłumaczeniowe) |
| Około 17% | 117 000 | Nieangielskie audio z transkrypcją w tym samym języku |
Źródło: karta modelu Whisper OpenAI. Publikacja zaokrągla liczbę godzin tłumaczeń do 125 000.
Dwa szczegóły wyjaśniają zachowanie Whisper. OpenAI odfiltrowało transkrypcje wyglądające na maszynowe, np. zapisane samymi wielkimi literami, więc model nauczył się pisać zdania z interpunkcją. Wczesne modele zgadywały nazwiska mówców, bo wiele transkrypcji internetowych je zawierało. OpenAI wyeliminowało tę tendencję dostrajaniem, ale pokazuje ona zależność od tekstu treningowego.
Large-v3 trenowano inaczej: na około 5 milionach godzin, z czego 1 milion miał słabe etykiety internetowe, a 4 miliony etykiety large-v2, według karty modelu Hugging Face.
Porównanie rozmiarów modeli Whisper
Whisper występuje w sześciu rozmiarach. Mniejsze modele są szybsze na skromnym sprzęcie; większe popełniają mniej błędów, ale wymagają więcej pamięci wideo (VRAM). Dane pochodzą z README OpenAI.
| Rozmiar | Parametry | Wersja tylko angielska | Wersja wielojęzyczna | Wymagany VRAM | Szybkość względem 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 | Brak | large | ~10 GB | 1x |
| turbo | 809 M | Brak | turbo | ~6 GB | ~8x |
OpenAI mierzyło te szybkości na angielskiej mowie z GPU A100 dla centrów danych i podaje, że rzeczywista szybkość może się znacznie różnić. Laptop będzie wolniejszy.
Który model Whisper wybrać?
Zacznij od dostępnej pamięci i celu transkrypcji:
- Test na podstawowym komputerze: tiny lub base, około 1 GB VRAM. Spodziewaj się więcej błędów.
- Tylko angielski: użyj modelu
.en. OpenAI mówi, że wypadają lepiej, szczególnie tiny i base. - Dobra jakość przy rozsądnej szybkości: turbo, około 6 GB. Jest domyślny w wierszu poleceń.
- Tłumaczenie mowy na angielski: medium lub large. Turbo nie jest trenowany do tłumaczenia i zwraca oryginalny język nawet przy takim żądaniu.
- Najtrudniejsze audio i najlepszy możliwy wynik: large, około 10 GB VRAM.
Wersje Whisper: krótka historia
„Large” obejmuje trzy wydania, a turbo to odchudzony large-v3. Wersja ma znaczenie, bo wyniki różnią się między punktami kontrolnymi.
| Wersja | Wydanie | Zmiana |
|---|---|---|
| Oryginalne modele (tiny do large) | Wrzesień 2022 | Pierwsze otwarte wydanie z publikacją |
| large-v2 | Grudzień 2022 | Ten sam rozmiar, trening 2,5 raza dłuższy z dodatkową regularyzacją |
| large-v3 | Listopad 2023 | 128 kanałów Mel, nowy token kantoński, 10% do 20% mniej błędów niż v2 w wielu językach |
| turbo (large-v3-turbo) | Wrzesień 2024 | Warstwy dekodera zmniejszone z 32 do 4 dla szybkości; bez tłumaczenia |
Źródła: karta modelu Whisper, przypis o large-v2 w publikacji oraz karty Hugging Face dla large-v3 i large-v3-turbo.
Ile języków obsługuje Whisper?
Whisper rozpoznaje około 99 języków. Detektor w publikacji używał 99 tokenów języków, a obecny tokenizer wymienia 100 kodów po dodaniu kantońskiego w large-v3. Obsługa nie oznacza jednakowej jakości: karta modelu podaje dobre wyniki w około 10 językach.
Jakość zależy od danych treningowych. Publikacja wykazała silny związek wyników z liczbą godzin danego języka, a większość języków miała poniżej 1 000 godzin. Angielski, hiszpański lub niemiecki zwykle dadzą czystszy wynik niż język o małych zasobach. README odsyła do wykresu błędów dla poszczególnych języków.
Nie myl tego z liczbami produktu. whispertranscribe.ai obsługuje 130+ języków. To zakres produktu (cennik mówi „130+ languages & accents”), nie właściwość otwartego modelu Whisper.
Jak dokładny jest Whisper?
Nie ma jednej liczby dokładności: zależy od rozmiaru modelu, języka i nagrania. Na czystym czytanym angielskim large-v2 osiągnął 2.7% współczynnika błędów słów (WER). Średnia z 14 angielskich zestawów, przeważnie trudniejszych, wyniosła 12.8%.
WER to udział zamienionych, pominiętych i dodanych słów względem ludzkiej transkrypcji referencyjnej. Mniej znaczy lepiej. Liczby pochodzą z tabeli 2 publikacji, porównującej Whisper large-v2 z modelem wav2vec 2.0 trenowanym na audiobookach LibriSpeech:
| Zestaw testowy | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (czytane audiobooki) | 2.7% | 2.7% |
| Common Voice (nagrania społeczności) | 29.9% | 9.0% |
| CHiME-6 (hałaśliwe kolacje) | 65.8% | 25.5% |
| Średnia wszystkich 14 zestawów w tabeli | 29.3% | 12.8% |
Znaczenie ma wzorzec. Oba modele remisują na audiobookach, ale Whisper lepiej radzi sobie z pozostałymi danymi, popełniając średnio o 55.2% mniej błędów. OpenAI zaokrągla to w ogłoszeniu do 50%. W testach szumu modele trenowane na LibriSpeech wygrywały przy niemal czystym audio, ale przegrywały, gdy hałas jak w pubie wzrósł poniżej stosunku sygnału do szumu 10 dB.
To benchmarki badawcze, nie obietnica dla Twoich plików; deklaracje produktów są osobne. Na przykład whispertranscribe.ai osiąga do 99% przy czystym audio; szum, nakładające się głosy i silne akcenty obniżają wynik.
Jakie są ograniczenia Whisper?
Główna słabość Whisper polega na tworzeniu płynnego tekstu, którego nikt nie powiedział. Karta modelu OpenAI nazywa to halucynacją i łączy ze słabo nadzorowanym treningiem. Wymienia również powtórzenia, nierówną dokładność dla języków i akcentów oraz brak wbudowanych etykiet mówców.
- Halucynowany tekst. W badaniu Careless Whisper z 2024 r. badacze stwierdzili całe frazy lub zdania nieobecne w audio w około 1% sprawdzonych transkrypcji. Halucynacje częściej pojawiały się przy długich pauzach.
- Pętle powtórzeń. Model może utknąć, powtarzając frazę. Beam search i zmiana temperatury ograniczają to według karty modelu do pewnego stopnia, ale nie całkowicie.
- Brak pierwszych lub ostatnich słów. Publikacja wymienia pominięcie kilku słów początku lub końca segmentu jako znany błąd.
- Długie nagrania wymagają okien. Whisper widzi jednorazowo 30 sekund. Dla dłuższych plików narzędzie przesuwa okno według przewidywanego czasu, więc błąd w jednym może wpłynąć na następne.
- Brak etykiet mówców. Według karty diaryzacja, czyli ustalenie kto i kiedy mówił, nie została solidnie oceniona. Potrzebne jest osobne narzędzie.
- Nie działa standardowo na żywo. Zbudowano go dla nagranych plików; napisy na żywo wymagają dodatkowej pracy technicznej.
- Nierówne wyniki według języka i akcentu. Karta wskazuje wyższe współczynniki błędów dla niektórych akcentów, dialektów i grup demograficznych.
OpenAI ostrzega też przed transkrybowaniem osób bez zgody i użyciem do decyzji wysokiego ryzyka.
Gdzie oficjalne źródła się różnią?
Niektóre liczby w dokumentach OpenAI różnią się, głównie przez zaokrąglenia lub zmiany wersji. Sprawdź je przed cytowaniem:
| Temat | Jedno oficjalne źródło | Inne źródło | Co przyjąć |
|---|---|---|---|
| Redukcja błędów wobec modeli LibriSpeech | Publikacja: średnio 55.2% mniej | Ogłoszenie OpenAI: 50% mniej | Cytuj publikację i nazwij porównanie |
| Języki treningowe poza angielskim | Publikacja: 96 innych | Karta modelu: 98 języków | „Około 99 języków” dla rozpoznawania |
| Godziny treningu tłumaczenia | Karta: 126 000 | Publikacja: 125 000 | Dowolna jako wartość przybliżona |
| Liczba parametrów turbo | README i Hugging Face: 809 M | Tabela karty: 798 M | 809 M, podawane przez większość źródeł |
| Wielkość danych treningowych | Oryginalna publikacja: 680 000 godzin | Karta large-v3: 5 milionów godzin | Nazwij właściwą wersję |
| Licencja | GitHub: MIT dla kodu i wag | Metadane large-v3 w Hugging Face: Apache-2.0 | Sprawdź plik licencji pobranej kopii |
Jak używać Whisper: samodzielnie, przez API lub aplikację?
Są trzy praktyczne drogi. Samodzielne uruchomienie Whisper jest darmowe i zatrzymuje audio na komputerze. API OpenAI usuwa konfigurację, ale ogranicza rozmiar pliku. Hostowana aplikacja dodaje edycję, etykiety i eksport, ale jest zewnętrzną usługą z własnymi warunkami.
| Otwarty Whisper samodzielnie | API transkrypcji OpenAI | Hostowana aplikacja | |
|---|---|---|---|
| Konfiguracja | Python, PyTorch i FFmpeg | Kod i klucz API | Przeglądarka |
| Koszt | Darmowy; własny sprzęt | Opłata za użycie | Darmowy poziom lub abonament zależnie od aplikacji |
| Limity plików | Twój sprzęt | 25 MB na plik | Ustala aplikacja |
| Gdzie trafia audio | Pozostaje na komputerze | Do OpenAI | Na serwery aplikacji |
| Etykiety mówców | Niewbudowane | Brak w whisper-1 | Zależy od aplikacji |
| Edycja i eksport | TXT, SRT, VTT, TSV, JSON z wiersza poleceń | Wynik trafia do kodu; resztę budujesz samodzielnie | Zwykle edytor oraz eksport dokumentów i napisów |
Uruchom Whisper na własnym komputerze
README OpenAI podaje polecenie instalacji i podstawowe uruchomienie:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Potrzebny jest też FFmpeg; README mówi, że kod powinien działać z Pythonem 3.8 do 3.11. Dodaj --language, aby wskazać język, lub --task translate z modelem wielojęzycznym, aby otrzymać angielski. Wagi pobierają się przy pierwszym użyciu. Whisper CLI nie jest zainstalowany ani przetestowany w tej sesji.
Użyj API OpenAI
Poradnik speech-to-text OpenAI ogranicza plik do 25 MB, więc większy skompresuj lub podziel. Według stanu na listopad 2026 poradnik oznacza whisper-1 jako przestarzały z datą wyłączenia 26 lutego 2027 i wskazuje nowsze modele transkrypcji. Są to modele mowy OpenAI, nie nowe wydania otwartej rodziny Whisper.
Użyj hostowanej aplikacji transkrypcji
Jeśli nie chcesz nic instalować, aplikacja hostowana przetwarza pliki na swoich serwerach. Jedną z opcji jest whispertranscribe.ai, a darmowy konwerter audio na tekst pozwala szybko go wypróbować. Nasza strona główna opisuje whispertranscribe.ai jako oparte na Whisper i AI nowej generacji. Według naszych stron produktu oferuje:
- Przesyłanie audio lub wideo do 5GB i 10 godzin albo wklejenie linku YouTube, Vimeo, Google Drive lub Dropbox w Transcribe from URL.
- 130+ języków i opcjonalne wykrywanie mówców.
- Transkrypcję na żywo z mikrofonu oraz nagrywanie i transkrypcję w przeglądarce.
- Eksport DOCX, PDF, SRT, VTT, TXT i CSV, w tym napisy z generatora napisów AI.
- Tłumaczenie audio na angielski dla nagrań nieangielskich.
Kompromisy są realne. Plik trafia do chmury zamiast pozostać na komputerze. Nie oferujemy API, własnego słownika ani bota spotkań. Płatne plany zaczynają się od $9.99/miesiąc rocznie (cennik); możesz zacząć bezpłatnie bez konta. Szczegóły na stronie narzędzia Whisper AI lub wszystkich funkcji.
Czy Whisper jest open source i na co pozwala licencja?
Tak. Repozytorium OpenAI podaje, że kod i wagi Whisper są udostępnione na licencji MIT. To licencja liberalna. Zasadniczo pozwala używać, kopiować, modyfikować i sprzedawać oprogramowanie oparte na kodzie, pod warunkiem zachowania informacji o prawach autorskich i licencji.
Dwie uwagi. Kopie w innych witrynach mogą mieć inne metadane licencji; Hugging Face podaje Apache-2.0 dla large-v3. Przeczytaj licencję własnej kopii. Licencja dotyczy programu, nie wprowadzanych nagrań. Zasady zgody i prywatności nadal obowiązują dla audio. To informacje ogólne, nie porada prawna; oficjalnym źródłem jest tekst licencji MIT.
Dla kogo jest Whisper?
Whisper pasuje programistom i osobom swobodnie korzystającym z terminala, które chcą darmowej, prywatnej i nieograniczonej transkrypcji. Jeśli chcesz gotowego tekstu z edytorem i eksportem, hostowana aplikacja zwykle jest szybsza.
| Kim jesteś… | Dobry wybór | Dlaczego |
|---|---|---|
| Programista tworzący produkt | Otwarty Whisper lub API | Pełna kontrola procesu |
| Badacz z wrażliwymi wywiadami | Otwarty Whisper uruchamiany lokalnie | Audio nie opuszcza komputera |
| Twórca potrzebujący napisów w tym tygodniu | Hostowana aplikacja z eksportem SRT lub VTT | Bez konfiguracji; pliki z czasem gotowe do przesłania |
| Osoba z laptopem bez GPU | Mały model lokalny lub aplikacja hostowana | Duże modele potrzebują około 10 GB VRAM |
Lista kontroli przed zaufaniem transkrypcji Whisper
Przygotowaliśmy ją na podstawie błędów opisanych w publikacji i karcie OpenAI:
- Sprawdź próbki pauz i ciszy pod kątem zdań, których nikt nie powiedział.
- Poszukaj fraz powtarzających się kilka razy z rzędu.
- Porównaj pierwsze i ostatnie linie pliku z audio.
- Sprawdź nazwiska, liczby i terminy techniczne.
- Potwierdź rozpoznany język lub ustaw go ręcznie.
- Przy tłumaczeniu upewnij się, że nie użyto turbo.
- W razie potrzeby dodaj etykiety mówców osobnym narzędziem.
- Przed nagrywaniem lub transkrypcją innych uzyskaj wymagane zgody uczestników i organizatora.
Najczęstsze pytania
Czy Whisper AI jest darmowy?
Tak, OpenAI Whisper można bezpłatnie pobrać i uruchomić. OpenAI udostępnia kod i wagi na licencji MIT, więc nie trzeba mu płacić za użycie. Samodzielnie zapewniasz komputer; duży model wymaga około 10 GB pamięci GPU. Opcje hostowane kosztują: API OpenAI pobiera opłatę za użycie, a aplikacje ustalają własne plany. Darmowy nie oznacza prosty: potrzebne są Python, FFmpeg i pewna znajomość wiersza poleceń.
Czy Whisper rozpoznaje różnych mówców?
Nie samodzielnie. Zapisuje treść, ale nie oznacza, kto ją wypowiedział. Karta modelu OpenAI podaje, że możliwości takie jak diaryzacja nie były solidnie ocenione. Aby uzyskać etykiety, użytkownicy łączą Whisper z osobnym narzędziem diaryzacji lub aplikacją dodającą wykrywanie mówców. whispertranscribe.ai ma na przykład opcję włączaną przed transkrypcją. Sprawdzaj etykiety przy podobnych głosach.
Czy Whisper może transkrybować na żywo?
Nie standardowo. Whisper zaprojektowano dla nagranego audio i przetwarza je w 30-sekundowych oknach; karta OpenAI mówi, że transkrypcja na żywo wymaga dodatkowej pracy. Programiści zbudowali narzędzia niemal rzeczywistego czasu, podające krótkie fragmenty w miarę ich napływu. Do napisów na żywo szukaj dedykowanego trybu i spodziewaj się większej ilości korekty niż przy gotowym nagraniu.
Ile języków obsługuje Whisper?
Whisper rozpoznaje około 99 języków, a obecny tokenizer wymienia 100 kodów po dodaniu kantońskiego w large-v3. Jakość znacznie się różni. Karta OpenAI podaje dobre wyniki w około 10 językach, a publikacja wykazała, że większość miała poniżej 1 000 godzin audio treningowego. Przed poleganiem na mniej popularnym języku przetestuj krótki fragment. Liczby produktów, np. 130+ w whispertranscribe.ai, opisują ich obsługę, nie otwarty model.
Czy whispertranscribe.ai to samo co OpenAI Whisper?
Nie. OpenAI Whisper to otwarty model pobierany i uruchamiany samodzielnie. whispertranscribe.ai to osobna przeglądarkowa usługa transkrypcji; strona główna opisuje ją jako opartą na Whisper i AI nowej generacji. Dodaje funkcje, których sam model nie zawiera, np. pliki do 5GB, import linków YouTube lub Google Drive, wykrywanie mówców i eksport DOCX, PDF, SRT i VTT. Inne aplikacje z „Whisper” w nazwie to osobne produkty różnych firm.
Dlaczego Whisper czasem zapisuje słowa, których nikt nie powiedział?
Ponieważ przewiduje tekst podobnie jak model językowy. Karta OpenAI mówi, że trening na dużych, zaszumionych danych internetowych prowadzi czasem do tworzenia słów nieobecnych w audio. OpenAI wyjaśnia to połączeniem przewidywania następnego prawdopodobnego słowa z transkrybowaniem słyszanego dźwięku. Badanie z 2024 r. znalazło całe zmyślone frazy w około 1% sprawdzonych transkrypcji, częściej przy długich pauzach. Porównaj pauzy, ciche fragmenty i ważne treści z audio.
Chcesz transkrypcji Whisper bez konfiguracji? Prześlij plik lub wklej link w whispertranscribe.ai, aby otrzymać tekst w 130+ językach i eksport DOCX, PDF, SRT i VTT.
Źródła
- OpenAI: Introducing Whisper (21 września 2022)
- Radford i in.: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Whisper GitHub repository and README, model card i MIT license
- Hugging Face: openai/whisper-large-v3 model card
- OpenAI API docs: Speech to text guide (sprawdzono listopad 2026)
- Koenecke i in.: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
