Аутор: уредништво whispertranscribe.ai · Ажурирано: новембар 2026. · Читање: 13 минута
Шта је Whisper AI? У већини претрага то значи OpenAI Whisper, модел отвореног кода за препознавање говора који је OpenAI објавио у септембру 2022. Претвара снимљени говор у текст, препознаје језик и може превести друге језике на енглески. OpenAI га је обучио на 680,000 сати веб-аудија и објавио код и тежине под MIT лиценцом.
Напомена: ми правимо whispertranscribe.ai. whispertranscribe.ai је веб-алат за AI транскрипцију који претвара аудио и видео у текст на више од 130 језика. У овом водичу јасно разликујемо модел од производа изграђених око њега, а сви бројеви о моделу потичу из OpenAI рада, репозиторијума или картице модела.
Кратак одговор: шта је Whisper AI?
Whisper је модел за претварање говора у текст, а не апликација или компанија. Можете га преузети из OpenAI GitHub репозиторијума и покренути на сопственом рачунару или користити услугу која га покреће за вас.
- Аутор: OpenAI. Научни рад Robust Speech Recognition via Large-Scale Weak Supervision објављен је на arXiv-у 6. децембра 2022.
- Шта ради: транскрибује говор, открива језик, преводи говор на енглески и додаје временске ознаке сегмената.
- Шта не ради одмах по инсталацији: означавање говорника или транскрипцију уживо. OpenAI картица модела каже да се не може користити за транскрипцију у реалном времену без додатног рада.
- Величине: шест, од tiny (39 милиона параметара) до large (1,550 милиона).
- Цена: бесплатно преузимање и покретање. Ви обезбеђујете хардвер.
„Whisper AI“ може означавати три различите ствари
Назив се користи широко и ова три значења лако се мешају.
| Шта људи зову „Whisper AI“ | Шта је то | Ко га прави | Како се користи |
|---|---|---|---|
| OpenAI Whisper | Модел отвореног кода за препознавање говора | OpenAI | Преузмете код и тежине и сами их покренете |
| whisper-1 | OpenAI модел за транскрипцију преко хостованог API-ја | OpenAI | Шаљете аудио датотеке OpenAI API-ју и плаћате по употреби |
| Апликације са „Whisper“ у имену | Производи за транскрипцију попут whisperai.com и whispertranscribe.ai (овај сајт) | Различите компаније | Отпремате или снимате аудио у њиховим апликацијама |
Производи у трећем реду нису сам модел нити су међусобно заменљиви. Свака компанија одређује сопствене функције, ограничења, цене и услове приватности. У овом чланку „Whisper“ значи OpenAI модел.
Како Whisper ради?
Whisper је Transformer са енкодером и декодером. Енкодер претвара 30 секунди аудија у бројчани приказ, а декодер исписује одговарајући текст један по један токен, вођен посебним токенима који одређују задатак.
Рад о Whisper-у описује следећи поступак:
- Промена фреквенције узорковања. Аудио се претвара у 16,000 Hz.
- Дељење на прозоре од 30 секунди. Модел увек обрађује по 30 секунди. Краћи снимци се допуњују.
- Прављење спектрограма. Сваки прозор постаје log-Mel спектрограм са 80 канала, приказ промене звучне енергије по фреквенцијама, рачунат на оквирима од 25 милисекунди сваких 10 милисекунди. (Large-v3 прешао је на 128 канала.)
- Кодирање. Два конволуциона слоја и низ Transformer блокова обрађују спектрограм.
- Декодирање. Декодер прво предвиђа језик или токен „нема говора“. Затим следе задатак (транскрипција или превод), одлука о временским ознакама и на крају сам текст.
И временске ознаке предвиђају се као токени, заокружени на најближих 20 милисекунди. Тако један модел обрађује откривање језика, транскрипцију, превођење и временско означавање.
На чему је Whisper обучен?
Оригинални модели учили су из 680,000 сати интернет аудија са одговарајућим транскриптима. OpenAI то назива „слабим надзором“ јер транскрипти нису ручно проверавани као скупови за бенчмарк.
| Удео аудија за обуку | Сати | Садржај |
|---|---|---|
| Око 65% | 438,000 | Енглески аудио са енглеским транскриптима |
| Око 18% | 126,000 | Аудио на другим језицима са енглеским транскриптима (подаци за превођење) |
| Око 17% | 117,000 | Аудио на другим језицима са транскриптима на истом језику |
Извор: OpenAI картица модела Whisper. Рад заокружује удео превођења на 125,000 сати.
Два детаља објашњавају понашање Whisper-а. OpenAI је филтрирао транскрипте који су изгледали машински, попут текста само великим словима, па је модел научио да пише реченице са интерпункцијом. Рани модели су такође нагађали имена говорника јер су их многи веб-транскрипти садржали. OpenAI је дообуком уклонио ту навику, али она показује колико модел одражава текст за обуку.
Large-v3 је обучен другачије, на око 5 милиона сати: 1 милион са слабим веб-ознакама и 4 милиона које је означио large-v2, према картици модела на Hugging Face-у.
Поређење величина Whisper модела
Whisper долази у шест величина. Мањи модели брже раде на скромнијем хардверу; већи праве мање грешака, али траже више видео меморије (VRAM). Бројке су преузете из OpenAI README-а.
| Величина | Параметри | Само енглески | Вишејезична верзија | Потребан VRAM | Брзина у односу на 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 | Нема | large | ~10 GB | 1x |
| turbo | 809 M | Нема | turbo | ~6 GB | ~8x |
OpenAI је мерио ове брзине на енглеском говору уз A100 GPU за центре података и наводи да стварна брзина може знатно варирати. Лаптоп ће бити спорији.
Који Whisper модел изабрати?
Почните од доступне меморије и сврхе транскрипта:
- Тестирање на основном рачунару: tiny или base, око 1 GB VRAM-а. Очекујте више грешака.
- Само енглески: користите
.enмодел. OpenAI каже да су бољи, нарочито tiny и base. - Добар квалитет уз разумну брзину: turbo, око 6 GB. Подразумевани је модел командне линије.
- Превођење говора на енглески: medium или large. Turbo није обучен за превођење и враћа оригинални језик чак и када затражите превод.
- Најтежи аудио и најбољи могући резултат: large, око 10 GB VRAM-а.
Верзије Whisper-а: кратка хронологија
„Large“ обухвата три издања, а turbo је скраћени large-v3. Верзија је важна јер се резултати разликују по контролној тачки модела.
| Верзија | Објављена | Промена |
|---|---|---|
| Оригинални модели (tiny до large) | Септембар 2022. | Прво издање отвореног кода уз рад |
| large-v2 | Децембар 2022. | Иста величина, обука 2.5 пута дужа уз додатну регуларизацију |
| large-v3 | Новембар 2023. | 128 Mel канала, нови кантонски токен, 10% до 20% мање грешака од v2 на многим језицима |
| turbo (large-v3-turbo) | Септембар 2024. | Слојеви декодера смањени са 32 на 4 ради брзине; без превођења |
Извори: картица Whisper модела, фуснота рада о large-v2 и Hugging Face картице за large-v3 и large-v3-turbo.
Колико језика Whisper подржава?
Whisper препознаје око 99 језика. Детектор језика у раду користио је 99 језичких токена, а садашњи токенизатор наводи 100 језичких кодова након што је large-v3 додао кантонски. Подршка ипак није исто што и квалитет: картица модела наводи снажне резултате на око 10 језика.
Квалитет прати податке за обуку. Рад је установио да број сати на неком језику веома добро предвиђа резултат и да је већина језика имала мање од 1,000 сати. Енглески, шпански или немачки обично ће бити чистији од језика са мало података. README повезује графикон грешака по језицима ако желите да проверите свој.
Не мешајте ово с бројевима производа. whispertranscribe.ai подржава више од 130 језика. То је подршка нашег производа (страница цена каже „130+ languages & accents“), а не својство Whisper модела отвореног кода.
Колико је Whisper тачан?
Не постоји једна бројка тачности за Whisper јер зависи од величине модела, језика и снимка. На чистом читаном енглеском large-v2 је имао стопу грешака речи (WER) од 2.7%. Просек на 14 енглеских тестних скупова, углавном тежих, био је 12.8%.
WER је удео погрешних речи, укључујући замењене, изостављене или додате речи, мерен према људском референтном транскрипту. Мање је боље. Бројке из табеле 2 рада пореде Whisper large-v2 са wav2vec 2.0 моделом обученим на LibriSpeech скупу аудио-књига:
| Тестни скуп | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (читане аудио-књиге) | 2.7% | 2.7% |
| Common Voice (говор који су снимили корисници) | 29.9% | 9.0% |
| CHiME-6 (бучни снимци вечере) | 65.8% | 25.5% |
| Просек свих 14 тестних скупова у табели | 29.3% | 12.8% |
Важан је образац. Модели су изједначени на тесту аудио-књига, али се Whisper много боље држи на осталима, са просечно 55.2% мање грешака. OpenAI објава то заокружује на „50% мање грешака“. У тестовима буке из рада модели обучени на LibriSpeech-у надмашили су Whisper на готово чистом аудију, али су заостали када је позадинска бука налик оној у пабу постала гласна, испод односа сигнала и шума од 10 dB.
Ово су истраживачки бенчмаркови, не обећање за ваше датотеке, а тврдње о производима су засебне. whispertranscribe.ai, на пример, достиже до 99% тачности на чистом аудију, док је бука, преклапање говора и јаки акценти смањују.
Која су ограничења Whisper-а?
Главна слабост Whisper-а је што може написати течан текст који нико није изговорио. OpenAI картица модела то назива халуцинацијом и повезује са обуком уз слаб надзор. Наводи и понављање, неуједначену тачност по језицима и акцентима и непостојање уграђених ознака говорника.
- Измишљени текст. У студији из 2024. Careless Whisper, истраживачи су установили да је око 1% проверених транскрипција садржало целе фразе или реченице којих није било у аудију. Халуцинације су биле чешће уз дуге паузе у говору.
- Петље понављања. Модел може запети понављајући фразу. Beam search и temperature fallback то донекле смањују, према картици модела, али не у потпуности.
- Недостајуће прве или последње речи. Рад наводи прескакање неколико првих или последњих речи сегмента као познату грешку.
- Дуги снимци захтевају прозоре. Whisper види само 30 секунди одједном. За дуже датотеке алат transcribe помера прозор користећи предвиђене временске ознаке, па грешка у једном може пореметити следећи.
- Нема ознака говорника. Дијаризација, односно утврђивање ко је када говорио, није темељно процењена према картици модела. За то је потребан посебан алат.
- Није подразумевано у реалном времену. Направљен је за снимљене датотеке. Титловање уживо захтева додатни развој.
- Неуједначен по језицима и акцентима. Картица модела наводи више стопе грешака за неке акценте, дијалекте и демографске групе.
OpenAI такође упозорава на транскрибовање људи без њихове сагласности и употребу за високоризичне одлуке.
Где се званични извори разилазе
Неке бројке разликују се између OpenAI докумената, углавном због заокруживања или промена верзије. Проверите пре цитирања:
| Тема | Један званични извор | Други извор | Шта користити |
|---|---|---|---|
| Смањење грешака у односу на LibriSpeech моделе | Рад: просечно 55.2% мање грешака | OpenAI објава: 50% мање грешака | Цитирајте рад и наведите поређење |
| Језици у подацима за обуку осим енглеског | Рад: 96 других језика | Картица модела: 98 језика | „Око 99 језика“ за препознавање |
| Сати обуке за превођење | Картица модела: 126,000 | Рад: 125,000 | Било који, уз напомену да је приближан |
| Број turbo параметара | README и Hugging Face: 809 M | Табела картице модела: 798 M | 809 M, број који већина извора користи |
| Величина података за обуку | Оригинални рад: 680,000 сати | Картица large-v3: 5 милиона сати | Наведите на коју верзију мислите |
| Лиценца | GitHub: MIT за код и тежине | Метаподаци Hugging Face large-v3: Apache-2.0 | Проверите лиценцу копије коју преузимате |
Како користити Whisper: самостално, преко API-ја или апликације
Постоје три практична пута. Самостално покретање Whisper-а је бесплатно и задржава аудио на вашем рачунару. OpenAI API уклања потребу за инсталацијом, али ограничава величину датотеке. Хостована апликација додаје уређивање, ознаке говорника и извоз, али је услуга треће стране са сопственим условима.
| Покрените Whisper отвореног кода | OpenAI API за транскрипцију | Хостована апликација | |
|---|---|---|---|
| Подешавање | Python, PyTorch и FFmpeg | Код и API кључ | Прегледач |
| Цена | Бесплатно; ваш хардвер | Плаћање по употреби | Бесплатни ниво или претплата, зависи од апликације |
| Ограничења датотеке | Ваш хардвер | 25 MB по датотеци | Одређује свака апликација |
| Куда иде аудио | Остаје на вашем рачунару | Шаље се OpenAI-ју | Шаље се серверима апликације |
| Ознаке говорника | Нису уграђене | Не у whisper-1 | Зависи од апликације |
| Уређивање и извоз | TXT, SRT, VTT, TSV, JSON из командне линије | Враћа се вашем коду; остало сами правите | Обично уређивач и извоз докумената и титлова |
Покрените Whisper на сопственом рачунару
OpenAI README даје команду за инсталацију и основно покретање:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Потребан је и инсталиран FFmpeg, а README каже да би код требало да ради на Python-у 3.8 до 3.11. Додајте --language за језик говора или --task translate уз вишејезични модел за енглески. Тежине модела преузимају се при првој употреби. Ове Whisper CLI команде нисмо тестирали у овом водичу.
Користите OpenAI API
OpenAI водич за говор у текст ограничава отпремање на 25 MB по датотеци, па веће компримујте или поделите. Према провери у новембру 2026, водич означава whisper-1 као застарео и наводи гашење 26. фебруара 2027, упућујући програмере на новије моделе транскрипције. Ти новији модели су OpenAI говорни модели, а не нова издања породице Whisper отвореног кода.
Користите хостовану апликацију за транскрипцију
Ако не желите ништа да инсталирате, хостована апликација обрађује датотеке на својим серверима. whispertranscribe.ai је једна опција, а њен бесплатни аудио у текст конвертор брз је начин да га испробате. Наша почетна страница описује whispertranscribe.ai као алат заснован на Whisper-у и AI технологији следеће генерације. Према нашим страницама производа нуди:
- Отпремање аудио или видео датотека до 5GB и 10 сати или лепљење YouTube, Vimeo, Google Drive или Dropbox везе у транскрипцију са URL-а.
- Више од 130 језика, уз препознавање говорника које можете укључити.
- Транскрипцију уживо са микрофона и снимање и транскрипцију у прегледачу.
- Извоз у DOCX, PDF, SRT, VTT, TXT и CSV, укључујући титлове из AI генератора титлова.
- Превођење аудија на енглески за снимке на другим језицима.
Постоје и компромиси. Датотека иде у услугу у облаку уместо да остане на рачунару. Не нудимо API, прилагођени речник ни бота за састанке. Плаћени планови почињу од $9.99 месечно уз годишње плаћање (цене), а можете почети бесплатно без налога. За детаље погледајте Whisper AI алат за транскрипцију или све функције.
Да ли је Whisper отвореног кода и шта лиценца дозвољава?
Да. OpenAI репозиторијум наводи да су код и тежине Whisper модела објављени под MIT лиценцом. MIT је попустљива лиценца. Уопштено дозвољава употребу, копирање, измену и продају софтвера изграђеног на коду, под условом да задржите обавештење о ауторским правима и лиценци.
Две напомене. Копије на другим сајтовима могу имати другачије метаподатке о лиценци; Hugging Face страница за large-v3 наводи Apache-2.0. Прочитајте лиценцу уз копију коју користите. Лиценца покрива софтвер, не снимке које у њега уносите. Правила о сагласности и приватности и даље важе за аудио: пре снимања прибавите потребне сагласности и дозволу организатора. Ово су опште информације, не правни савет; текст MIT лиценце је званични извор.
Коме је Whisper намењен?
Whisper одговара програмерима и свима који се сналазе у терминалу и желе бесплатну, приватну транскрипцију без ограничења броја снимака. Ако желите готов транскрипт са уређивачем и извозом, хостована апликација је обично бржа.
| Ви сте… | Добар избор | Зашто |
|---|---|---|
| Програмер који прави производ | Whisper отвореног кода или API | Потпуна контрола над поступком |
| Истраживач са осетљивим интервјуима | Whisper отвореног кода, локално покренут | Аудио не напушта ваш рачунар |
| Аутор коме титлови требају ове недеље | Хостована апликација са SRT или VTT извозом | Без подешавања; временски означене датотеке спремне за отпремање |
| Корисник лаптопа без GPU-а | Мали модел локално или хостована апликација | Велики модели захтевају око 10 GB VRAM-а |
Пре него што се ослоните на Whisper транскрипт: контролна листа
Ову листу направили смо на основу грешака наведених у OpenAI раду и картици модела:
- Проверите паузе и тишину због реченица које нико није изговорио.
- Потражите исту фразу поновљену више пута заредом.
- Проверите први и последњи ред датотеке према аудију.
- Проверите имена, бројеве и техничке термине.
- Потврдите да је језик исправно откривен или га ручно подесите.
- За превод проверите да нисте користили turbo.
- По потреби додајте ознаке говорника посебним алатом.
- Прибавите потребне сагласности пре снимања или транскрипције других људи и дозволу организатора за снимање.
Честа питања
Да ли је Whisper AI бесплатан?
Да, OpenAI Whisper је бесплатан за преузимање и покретање. OpenAI лиценцира код и тежине модела под MIT-ом, па их можете користити без плаћања OpenAI-ју. Рачунар обезбеђујете сами, а large модел захтева око 10 GB GPU меморије. Хостоване опције коштају: OpenAI API наплаћује по употреби, а апликације за транскрипцију имају сопствене планове. „Бесплатно“ не значи и лако; потребни су Python, FFmpeg и познавање командне линије.
Може ли Whisper препознати различите говорнике?
Не самостално. Whisper записује шта је речено, али не означава ко је то рекао. OpenAI картица модела каже да могућности попут дијаризације нису темељно процењене. За ознаке се Whisper обично упарује са засебним алатом за дијаризацију или користи апликација која додаје препознавање говорника. whispertranscribe.ai, на пример, има опцију препознавања говорника коју можете укључити пре транскрипције. Увек проверите ознаке када гласови звуче слично.
Може ли Whisper транскрибовати у реалном времену?
Не одмах по инсталацији. Whisper је направљен за снимљени аудио и обрађује га у прозорима од 30 секунди, а OpenAI картица модела каже да се не може користити за транскрипцију у реалном времену без додатног рада. Програмери су направили алате који раде готово уживо уношењем кратких делова како пристижу. Ако су вам потребни титлови уживо, потражите алат са посебним режимом и очекујте да ће резултат уживо захтевати више исправки него транскрипт готовог снимка.
Колико језика Whisper подржава?
Whisper препознаје око 99 језика, а садашњи токенизатор наводи 100 језичких кодова након додавања кантонског у large-v3. Квалитет знатно варира. OpenAI картица модела наводи снажне резултате на око 10 језика, а рад је установио да је већина имала мање од 1,000 сати аудија за обуку. Пре ослањања на мање заступљен језик тестирајте кратак снимак. Бројке производа, као више од 130 језика whispertranscribe.ai, описују подршку производа, не модела отвореног кода.
Да ли је whispertranscribe.ai исто што и OpenAI Whisper?
Не. OpenAI Whisper је модел отвореног кода који сами преузимате и покрећете. whispertranscribe.ai је засебна услуга транскрипције у прегледачу; њена почетна страница описује је као алат заснован на Whisper-у и AI технологији следеће генерације. Додаје могућности које сам модел нема, попут отпремања до 5GB, увоза веза са YouTube-а или Google Drive-а, препознавања говорника и извоза у DOCX, PDF, SRT и VTT. Друге апликације са „Whisper“ у имену засебни су производи различитих компанија.
Зашто Whisper понекад пише речи које нико није рекао?
Зато што предвиђа текст као језички модел. OpenAI картица модела каже да обука на великим, шумовитим веб-подацима понекад доводи до речи којих нема у аудију. Према OpenAI објашњењу, модел спаја предвиђање следеће вероватне речи са транскрипцијом онога што чује. Студија из 2024. нашла је целе измишљене фразе у око 1% проверених транскрипција, чешће око дугих пауза. Проверите паузе, тихе делове и све важно према аудију.
Желите Whisper транскрипт без подешавања? Отпремите датотеку или налепите везу у whispertranscribe.ai и добијте текст на више од 130 језика, уз извоз у DOCX, PDF, SRT и VTT.
Извори
- OpenAI: Представљање Whisper-а (21. септембар 2022.)
- Radford и сарадници: Робусно препознавање говора уз слаби надзор великог обима (arXiv 2212.04356)
- OpenAI: Whisper GitHub репозиторијум и README, картица модела и MIT лиценца
- Hugging Face: картица модела openai/whisper-large-v3
- OpenAI API документација: Водич за говор у текст (проверено новембра 2026.)
- Koenecke и сарадници: Careless Whisper: штета услед халуцинација у претварању говора у текст (arXiv 2402.08021)
