Echipa editorială whispertranscribe.ai · Actualizat: noiembrie 2026 · Timp de citire: 13 minute
Ce este Whisper AI? În majoritatea căutărilor înseamnă OpenAI Whisper, un model open source de recunoaștere a vorbirii publicat de OpenAI în septembrie 2022. Transformă vorbirea înregistrată în text, identifică limba și poate traduce alte limbi în engleză. OpenAI l-a antrenat pe 680 000 de ore de audio web și a publicat codul și ponderile sub licența MIT.
Precizare: realizăm whispertranscribe.ai. whispertranscribe.ai este un instrument web AI care transformă audio și video în text în 130+ limbi. Ghidul distinge clar modelul de produsele construite în jurul său, iar fiecare cifră despre model provine din lucrarea, repozițiul sau fișa OpenAI.
Răspuns pe scurt: ce este Whisper AI?
Whisper este un model vorbire în text, nu o aplicație sau companie. Îl poți descărca din repozițiul GitHub OpenAI și rula pe computerul tău sau folosi un serviciu care îl rulează pentru tine.
- Creat de: OpenAI. Lucrarea Robust Speech Recognition via Large-Scale Weak Supervision a apărut pe arXiv la 6 decembrie 2022.
- Ce face: transcrie vorbire, detectează limba, traduce în engleză și adaugă timpi de segment.
- Ce nu face implicit: nu etichetează vorbitorii și nu transcrie live. Fișa modelului OpenAI spune că nu poate fi folosit direct pentru transcriere în timp real.
- Dimensiuni: șase, de la tiny (39 milioane de parametri) la large (1 550 milioane).
- Cost: descărcare și rulare gratuite. Tu furnizezi hardware-ul.
„Whisper AI” poate însemna trei lucruri
Numele este folosit vag, iar aceste sensuri se confundă ușor.
| Ce se numește „Whisper AI” | Ce este | Cine îl face | Cum îl folosești |
|---|---|---|---|
| OpenAI Whisper | Model open source de recunoaștere a vorbirii | OpenAI | Descarci codul și ponderile și rulezi singur |
| whisper-1 | Model API OpenAI găzduit pentru transcriere | OpenAI | Trimiți fișiere audio la API-ul OpenAI și plătești după utilizare |
| Aplicații cu „Whisper” în nume | Produse de transcriere precum whisperai.com și whispertranscribe.ai (acest site) | Companii separate | Încarci sau înregistrezi audio în aplicații |
Produsele din al treilea rând nu sunt modelul însuși sau interschimbabile. Fiecare companie stabilește funcții, limite, prețuri și confidențialitate proprii. În acest articol, „Whisper” înseamnă modelul OpenAI.
Cum funcționează Whisper?
Whisper este un Transformer encoder-decoder. Encoderul transformă 30 de secunde audio într-o reprezentare numerică, iar decodorul scrie textul potrivit token cu token, ghidat de tokenuri speciale care indică sarcina.
Lucrarea Whisper descrie procesul:
- Reeșantionare. Audio este convertit la 16,000 Hz.
- Împărțire în ferestre de 30 de secunde. Modelul privește mereu 30 de secunde; clipurile mai scurte sunt completate.
- Crearea spectrogramei. Fiecare fereastră devine o spectrogramă log-Mel cu 80 de canale, o imagine a energiei pe frecvențe, calculată pe cadre de 25 milisecunde la fiecare 10 milisecunde. (Large-v3 folosește 128 canale.)
- Codare. Două straturi convoluționale și o stivă de blocuri Transformer procesează spectrograma.
- Decodare. Decodorul prezice întâi limba sau tokenul „fără vorbire”. Urmează sarcina (transcriere sau traducere), includerea timpilor și apoi textul.
Timpii sunt prezisi tot ca tokenuri, rotunjiți la cele mai apropiate 20 milisecunde. Astfel un singur model gestionează limba, transcrierea, traducerea și sincronizarea.
Pe ce a fost antrenat Whisper?
Modelele originale au învățat din 680 000 de ore de audio internet cu transcrieri corespunzătoare. OpenAI numește aceasta supraveghere slabă deoarece transcrierile nu au fost verificate manual ca seturile de benchmark.
| Pondere audio de antrenare | Ore | Conținut |
|---|---|---|
| Aproximativ 65% | 438 000 | Audio englezesc cu transcrieri englezești |
| Aproximativ 18% | 126 000 | Audio neenglez cu transcrieri în engleză (date de traducere) |
| Aproximativ 17% | 117 000 | Audio neenglez cu transcrieri în aceeași limbă |
Sursa: fișa modelului Whisper OpenAI. Lucrarea rotunjește partea de traducere la 125 000 de ore.
Două detalii explică mult din comportament. OpenAI a filtrat transcrierile care păreau automate, precum textul numai cu majuscule, astfel modelul a învățat propoziții cu punctuație. Modelele timpurii ghiceau numele vorbitorilor deoarece multe transcrieri web le conțineau. OpenAI a ajustat modelul pentru a elimina obiceiul, dar acesta arată influența textului de antrenare.
Large-v3 a fost antrenat diferit, pe aproximativ 5 milioane de ore: un milion cu etichete web slabe și 4 milioane etichetate de large-v2, conform fișei Hugging Face.
Dimensiunile modelelor Whisper comparate
Whisper are șase dimensiuni. Modelele mici rulează mai rapid pe hardware modest; cele mari fac mai puține erori, dar cer mai multă memorie video (VRAM). Cifrele sunt din README-ul OpenAI.
| Dimensiune | Parametri | Versiune doar engleză | Versiune multilingvă | VRAM necesar | Viteză față de 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 | Nu există | large | ~10 GB | 1x |
| turbo | 809 M | Nu există | turbo | ~6 GB | ~8x |
OpenAI a măsurat vitezele pe vorbire engleză cu un GPU A100 de centru de date și spune că viteza reală poate varia semnificativ. Un laptop va fi mai lent.
Ce model Whisper să alegi?
Pornește de la memoria disponibilă și scopul transcrierii:
- Test pe un computer de bază: tiny sau base, aproximativ 1 GB VRAM. Așteaptă-te la mai multe erori.
- Doar engleză: folosește model
.en. OpenAI spune că sunt mai bune, mai ales tiny și base. - Calitate bună la viteză rezonabilă: turbo, aproximativ 6 GB. Este implicit în linia de comandă.
- Traducerea vorbirii în engleză: medium sau large. Turbo nu este antrenat pentru traducere și returnează limba originală chiar dacă îi ceri traducere.
- Audio dificil, cel mai bun rezultat posibil: large, aproximativ 10 GB VRAM.
Versiunile Whisper: scurtă cronologie
„Large” acoperă trei lansări, iar turbo este un large-v3 redus. Versiunea contează deoarece rezultatele diferă după checkpoint.
| Versiune | Lansare | Schimbare |
|---|---|---|
| Modelele originale (tiny–large) | Septembrie 2022 | Prima lansare open source cu lucrarea |
| large-v2 | Decembrie 2022 | Aceeași dimensiune, antrenare de 2,5 ori mai lungă cu regularizare suplimentară |
| large-v3 | Noiembrie 2023 | 128 canale Mel, token cantonez nou, 10%–20% mai puține erori decât v2 în multe limbi |
| turbo (large-v3-turbo) | Septembrie 2024 | Straturi de decodor reduse de la 32 la 4 pentru viteză; fără traducere |
Surse: fișa Whisper, nota de subsol despre large-v2 și fișele Hugging Face pentru large-v3 și large-v3-turbo.
Câte limbi acceptă Whisper?
Whisper recunoaște aproximativ 99 de limbi. Detectorul din lucrare folosea 99 de tokenuri, iar tokenizerul actual enumeră 100 de coduri după adăugarea cantonezei în large-v3. Suportul nu înseamnă calitate egală: fișa indică rezultate puternice în aproximativ 10 limbi.
Calitatea urmează datele de antrenare. Lucrarea a constatat că performanța este bine prezisă de orele văzute și că majoritatea limbilor aveau sub 1 000 de ore. Engleza, spaniola sau germana vor fi de obicei mai curate decât o limbă cu resurse puține. README-ul leagă un grafic al erorilor pe limbi.
Nu confunda cu numerele produselor. whispertranscribe.ai acceptă 130+ limbi. Cifra este suportul produsului (pagina de prețuri spune „130+ languages & accents”), nu o proprietate a modelului Whisper open source.
Cât de precis este Whisper?
Nu există o cifră unică, deoarece depinde de model, limbă și înregistrare. Pe engleză citită clară, large-v2 a obținut 2.7% rată a erorilor de cuvinte (WER). Media a 14 seturi englezești, majoritatea mai dificile, a fost 12.8%.
WER este proporția de cuvinte substituite, omise sau adăugate față de o transcriere umană de referință. Mai mic este mai bine. Cifrele provin din tabelul 2 al lucrării, comparând Whisper large-v2 cu wav2vec 2.0 antrenat pe audiobookurile LibriSpeech:
| Set de test | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (audiobookuri citite) | 2.7% | 2.7% |
| Common Voice (vorbire înregistrată de comunitate) | 29.9% | 9.0% |
| CHiME-6 (cine zgomotoase) | 65.8% | 25.5% |
| Media tuturor celor 14 seturi din tabel | 29.3% | 12.8% |
Modelul este important: cele două sunt egale la audiobookuri, dar Whisper rezistă mult mai bine în rest, cu 55.2% mai puține erori în medie. Anunțul OpenAI rotunjește la 50%. În testele cu zgomot, modelele antrenate pe LibriSpeech au câștigat pe audio aproape curat, dar au rămas în urmă când zgomotul de fundal a crescut sub raportul semnal-zgomot de 10 dB.
Sunt benchmarkuri de cercetare, nu promisiuni pentru fișierele tale; afirmațiile produselor sunt separate. whispertranscribe.ai, de exemplu, ajunge la 99% pe audio clar, iar zgomotul, suprapunerea și accentele puternice reduc precizia.
Care sunt limitele Whisper?
Principala slăbiciune este că poate scrie text fluent pe care nimeni nu l-a spus. Fișa OpenAI numește fenomenul halucinație și îl leagă de antrenarea slab supravegheată. Mai enumeră repetiția, precizia inegală între limbi și accente și lipsa etichetelor de vorbitor încorporate.
- Text halucinat. În studiul din 2024 Careless Whisper, cercetătorii au găsit fraze sau propoziții întregi absente din audio în aproximativ 1% dintre transcrierile verificate. Halucinațiile erau mai frecvente la pauze lungi.
- Bucle de repetiție. Modelul poate repeta o expresie. Beam search și revenirea la altă temperatură reduc fenomenul într-o anumită măsură, dar nu complet, spune fișa.
- Primele sau ultimele cuvinte lipsă. Lucrarea enumeră omiterea primelor sau ultimelor cuvinte ale unui segment ca mod cunoscut de eșec.
- Înregistrările lungi necesită ferestre. Whisper vede 30 de secunde odată. Pentru fișiere lungi, instrumentul transcribe deplasează fereastra după timpii prezisi, astfel o eroare poate afecta următoarea fereastră.
- Fără etichete de vorbitor. Diarizarea, stabilirea persoanei și a momentului, nu a fost evaluată riguros conform fișei. Ai nevoie de instrument separat.
- Nu este implicit în timp real. A fost creat pentru fișiere înregistrate. Captions live necesită inginerie suplimentară.
- Inegal după limbă și accent. Fișa indică rate mai mari de eroare pentru unele accente, dialecte și grupuri demografice.
OpenAI avertizează și împotriva transcrierii persoanelor fără consimțământ și a utilizării în decizii cu risc ridicat.
Unde diferă sursele oficiale
Unele cifre diferă între documentele OpenAI, în special din rotunjiri sau modificări de versiune. Verifică înainte de citare:
| Subiect | O sursă oficială spune | Alta spune | Ce folosești |
|---|---|---|---|
| Reducerea erorilor față de modelele LibriSpeech | Lucrarea: 55.2% mai puține în medie | Anunțul OpenAI: 50% mai puține | Citează lucrarea și numește comparația |
| Limbi de antrenare în afară de engleză | Lucrarea: 96 alte limbi | Fișa: 98 limbi | „Aproximativ 99 limbi” pentru recunoaștere |
| Ore de antrenare pentru traducere | Fișa: 126 000 | Lucrarea: 125 000 | Oricare, ca valoare aproximativă |
| Parametri turbo | README și Hugging Face: 809 M | Tabelul fișei: 798 M | 809 M, cifra celor mai multe surse |
| Dimensiunea datelor | Lucrarea originală: 680 000 ore | Fișa large-v3: 5 milioane ore | Numește versiunea |
| Licență | GitHub: MIT pentru cod și ponderi | Metadate Hugging Face large-v3: Apache-2.0 | Verifică licența copiei descărcate |
Cum folosești Whisper: singur, prin API sau într-o aplicație
Există trei căi practice. Rularea proprie este gratuită și păstrează audio pe computer. API-ul OpenAI elimină configurarea, dar limitează dimensiunea. O aplicație găzduită adaugă editare, vorbitori și export, dar este un serviciu terț cu propriii termeni.
| Rulezi Whisper open source | API de transcriere OpenAI | Aplicație găzduită | |
|---|---|---|---|
| Configurare | Python, PyTorch și FFmpeg | Cod și cheie API | Browser |
| Cost | Gratuit; hardware propriu | Plată după utilizare | Nivel gratuit sau abonament, diferă |
| Limite fișier | Hardware-ul tău | 25 MB per fișier | Stabilite de aplicație |
| Unde ajunge audio | Rămâne pe computer | Trimis la OpenAI | Trimis la serverele aplicației |
| Etichete de vorbitor | Neîncorporate | Nu în whisper-1 | Depinde de aplicație |
| Editare și export | TXT, SRT, VTT, TSV, JSON din linia de comandă | Returnat codului tău; construiești restul | De regulă editor și export documente și subtitrări |
Rulează Whisper pe propriul computer
README-ul OpenAI oferă comanda de instalare și o rulare de bază:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Ai nevoie și de FFmpeg, iar README-ul spune că programul ar trebui să ruleze pe Python 3.8–3.11. Adaugă --language pentru limba vorbită sau --task translate cu un model multilingv pentru engleză. Ponderile se descarcă la prima utilizare. Whisper CLI nu este instalat și nu a fost testat în această sesiune.
Folosește API-ul OpenAI
Ghidul speech-to-text OpenAI limitează încărcarea la 25 MB per fișier, deci comprimă sau împarte fișierele mari. Verificat în noiembrie 2026, ghidul marchează whisper-1 drept învechit cu dată de oprire 26 februarie 2027 și indică modele de transcriere mai noi. Acestea sunt modele de vorbire OpenAI, nu noi versiuni ale familiei Whisper open source.
Folosește o aplicație de transcriere găzduită
Dacă nu vrei să instalezi nimic, aplicația găzduită procesează fișierele pe serverele sale. whispertranscribe.ai este o opțiune, iar convertorul gratuit audio în text este o modalitate rapidă de a încerca. Pagina noastră principală descrie whispertranscribe.ai ca bazat pe Whisper și AI de generație următoare. Paginile noastre de produs indică:
- Încărcare audio sau video de până la 5GB și 10 ore sau link YouTube, Vimeo, Google Drive ori Dropbox în Transcribe from URL.
- 130+ limbi cu detectare opțională a vorbitorilor.
- Transcriere live de la microfon și înregistrare și transcriere în browser.
- Export DOCX, PDF, SRT, VTT, TXT și CSV, inclusiv subtitrări din generatorul AI de subtitrări.
- Traducere audio în engleză pentru înregistrări neengleze.
Există compromisuri. Fișierul merge în cloud în loc să rămână pe computer. Nu oferim API, vocabular personalizat sau bot de ședință. Planurile plătite încep de la $9.99/lună anual (prețuri) și poți începe gratuit fără cont. Vezi instrumentul Whisper AI sau toate funcțiile.
Este Whisper open source și ce permite licența?
Da. Repozițiul OpenAI spune că codul și ponderile Whisper sunt publicate sub licența MIT. MIT este o licență permisivă. În general permite utilizarea, copierea, modificarea și vânzarea software-ului bazat pe cod, păstrând notificarea de drepturi de autor și licență.
Două precauții. Copiile de pe alte site-uri pot avea metadate diferite; pagina Hugging Face large-v3 indică Apache-2.0. Citește licența copiei folosite. Licența acoperă software-ul, nu înregistrările introduse. Regulile de consimțământ și confidențialitate se aplică în continuare. Sunt informații generale, nu consultanță juridică; textul licenței MIT este sursa oficială.
Pentru cine este Whisper?
Whisper este potrivit dezvoltatorilor și persoanelor confortabile cu terminalul care doresc transcriere gratuită, privată și nelimitată. Pentru text final cu editor și export, o aplicație găzduită este de obicei mai rapidă.
| Ești… | Alegere potrivită | De ce |
|---|---|---|
| Dezvoltator care construiește un produs | Whisper open source sau API | Control complet al procesului |
| Cercetător cu interviuri sensibile | Whisper open source rulat local | Audio nu părăsește computerul |
| Creator care are nevoie de subtitrări săptămâna aceasta | Aplicație găzduită cu SRT sau VTT | Fără configurare; fișiere temporizate gata de încărcare |
| Utilizator de laptop fără GPU | Model mic local sau aplicație găzduită | Modelele mari necesită aproximativ 10 GB VRAM |
Listă înainte de a te baza pe o transcriere Whisper
Am construit lista din modurile de eșec din lucrarea și fișa OpenAI:
- Verifică pauzele și perioadele de liniște pentru propoziții inventate.
- Caută aceeași expresie repetată de mai multe ori consecutiv.
- Compară primele și ultimele linii ale fișierului cu audio.
- Verifică nume, numere și termeni tehnici.
- Confirmă limba detectată sau seteaz-o manual.
- Pentru traducere, asigură-te că nu ai folosit turbo.
- Adaugă etichete de vorbitor cu un instrument separat dacă ai nevoie.
- Obține consimțămintele necesare și permisiunea organizatorului înainte de a înregistra sau transcrie alte persoane.
Întrebări frecvente
Este Whisper AI gratuit?
Da, OpenAI Whisper poate fi descărcat și rulat gratuit. OpenAI licențiază codul și ponderile sub MIT, astfel încât nu plătești OpenAI pentru utilizare. Tu furnizezi computerul, iar modelul large necesită aproximativ 10 GB memorie GPU. Opțiunile găzduite costă: API-ul OpenAI taxează utilizarea, iar aplicațiile stabilesc planurile. Gratuit nu înseamnă ușor: ai nevoie de Python, FFmpeg și familiaritate cu linia de comandă.
Poate Whisper identifica diferiți vorbitori?
Nu singur. Whisper scrie ce s-a spus, dar nu cine a spus. Fișa OpenAI spune că posibilități precum diarizarea nu au fost evaluate riguros. Pentru etichete, utilizatorii combină Whisper cu un instrument separat sau folosesc o aplicație care adaugă detectare. whispertranscribe.ai are o opțiune de detectare activabilă înainte de transcriere. Verifică etichetele când vocile seamănă.
Poate Whisper transcrie în timp real?
Nu implicit. Whisper a fost proiectat pentru audio înregistrat și procesează ferestre de 30 de secunde; fișa OpenAI spune că timpul real necesită muncă suplimentară. Dezvoltatorii au construit instrumente aproape în timp real, trimițând fragmente scurte pe măsură ce sosesc. Pentru captions live caută un mod dedicat și așteaptă-te la mai multă corectură decât la o înregistrare finală.
Câte limbi acceptă Whisper?
Whisper recunoaște aproximativ 99 de limbi, iar tokenizerul actual enumeră 100 de coduri după adăugarea cantonezei în large-v3. Calitatea variază mult. Fișa OpenAI indică rezultate puternice în aproximativ 10 limbi, iar lucrarea a constatat sub 1 000 de ore de antrenare pentru majoritatea. Testează un fragment înainte de a te baza pe o limbă mai rară. Cifrele produselor, precum 130+ la whispertranscribe.ai, descriu suportul produsului, nu modelul open source.
Este whispertranscribe.ai același lucru cu OpenAI Whisper?
Nu. OpenAI Whisper este un model open source pe care îl descarci și rulezi singur. whispertranscribe.ai este un serviciu separat în browser, descris pe pagina principală ca bazat pe Whisper și AI de generație următoare. Adaugă funcții absente din modelul brut, precum fișiere până la 5GB, import YouTube sau Google Drive, detectarea vorbitorilor și export DOCX, PDF, SRT și VTT. Alte aplicații cu „Whisper” în nume sunt produse separate ale unor companii diferite.
De ce scrie Whisper uneori cuvinte pe care nimeni nu le-a spus?
Pentru că prezice textul ca un model lingvistic. Fișa OpenAI spune că antrenarea pe date web mari și zgomotoase poate produce cuvinte absente din audio. Explicația OpenAI este că modelul combină predicția următorului cuvânt probabil cu transcrierea a ceea ce aude. Un studiu din 2024 a găsit expresii inventate în aproximativ 1% dintre transcrierile verificate, mai des lângă pauze lungi. Verifică pauzele, liniștea și pasajele importante cu audio.
Vrei o transcriere Whisper fără configurare? Încarcă un fișier sau lipește un link în whispertranscribe.ai pentru text în 130+ limbi și export DOCX, PDF, SRT și VTT.
Referințe
- OpenAI: Introducing Whisper (21 septembrie 2022)
- Radford și colab.: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Whisper GitHub repository and README, model card și MIT license
- Hugging Face: openai/whisper-large-v3 model card
- OpenAI API docs: Speech to text guide (verificat noiembrie 2026)
- Koenecke și colab.: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
