Timu ya wahariri ya whispertranscribe.ai · Imesasishwa mwisho: Novemba 2026 · Dakika 13 za kusoma
Whisper AI ni nini? Katika utafutaji mwingi humaanisha OpenAI Whisper, modeli ya wazi ya utambuzi wa matamshi iliyotolewa na OpenAI Septemba 2022. Hubadilisha matamshi yaliyorekodiwa kuwa maandishi, hutambua lugha inayozungumzwa na inaweza kutafsiri lugha nyingine kuwa Kiingereza. OpenAI iliifundisha kwa saa 680,000 za sauti ya wavuti na kutoa msimbo na uzani wa modeli chini ya leseni ya MIT.
Ufafanuzi mfupi: sisi hutengeneza whispertranscribe.ai. whispertranscribe.ai ni huduma ya unukuzi kwenye wavuti inayobadilisha sauti na video kuwa maandishi kwa zaidi ya lugha 130. Mwongozo huu unatofautisha modeli na bidhaa zilizojengwa juu yake; kila nambari kuhusu modeli inatoka kwenye utafiti, hazina au kadi ya modeli ya OpenAI.
Jibu la haraka: Whisper AI ni nini?
Whisper ni modeli ya kubadilisha matamshi kuwa maandishi, si programu au kampuni. Unaweza kuipakua kutoka hazina ya GitHub ya OpenAI na kuiendesha kwenye kompyuta yako au kutumia huduma inayokuendeshea.
- Mtengenezaji: OpenAI. Utafiti wa Robust Speech Recognition via Large-Scale Weak Supervision ulichapishwa arXiv Desemba 6, 2022.
- Inachofanya: hunukuu matamshi, hutambua lugha, hutafsiri matamshi kuwa Kiingereza na kuongeza muda wa vipande.
- Isichofanya bila nyongeza: haitoi lebo za wazungumzaji wala kunukuu papo hapo. Kadi ya modeli ya OpenAI inasema haiwezi kutumika kwa unukuzi wa moja kwa moja bila kazi ya ziada.
- Ukubwa: sita, kutoka tiny yenye vigezo milioni 39 hadi large yenye milioni 1,550.
- Gharama: bure kupakua na kuendesha; unatoa vifaa vyako.
„Whisper AI“ inaweza kumaanisha vitu vitatu
Jina hutumiwa kwa upana na maana hizi tatu ni rahisi kuchanganya.
| Kinachoitwa „Whisper AI“ | Ni nini | Mtengenezaji | Jinsi ya kutumia |
|---|---|---|---|
| OpenAI Whisper | Modeli ya wazi ya utambuzi wa matamshi | OpenAI | Pakua msimbo na uzani, iendeshe mwenyewe |
| whisper-1 | Modeli ya API ya OpenAI inayopangishwa kwa unukuzi | OpenAI | Tuma faili za sauti kwenye API na ulipe kulingana na matumizi |
| Programu zenye „Whisper“ kwenye jina | Bidhaa za unukuzi kama whisperai.com na whispertranscribe.ai (tovuti hii) | Kampuni tofauti | Pakia au rekodi sauti katika programu zao |
Bidhaa za mstari wa tatu si modeli yenyewe na haziwezi kubadilishana moja kwa moja. Kila kampuni ina vipengele, mipaka, bei na masharti ya faragha yake. Katika makala hii „Whisper“ humaanisha modeli ya OpenAI.
Whisper inafanyaje kazi?
Whisper ni Transformer yenye encoder na decoder. Encoder hubadilisha sekunde 30 za sauti kuwa uwakilishi wa nambari, na decoder huandika maandishi yanayolingana tokeni moja baada ya nyingine, ikiongozwa na tokeni maalumu zinazoeleza kazi.
Utafiti wa Whisper unaeleza mchakato huu:
- Badili kiwango cha sampuli. Sauti hubadilishwa kuwa Hz 16,000.
- Gawa katika madirisha ya sekunde 30. Modeli huangalia sekunde 30 kwa wakati mmoja. Vipande vifupi hujazwa kufikia muda huo.
- Tengeneza taswira ya masafa. Kila dirisha hugeuzwa kuwa log-Mel spectrogram ya chaneli 80 inayoonyesha mabadiliko ya nishati ya sauti katika masafa, ikikokotolewa kwa fremu za milisekunde 25 kila milisekunde 10. Large-v3 ilibadilika kuwa chaneli 128.
- Encode. Tabaka mbili za convolution na mkusanyiko wa Transformer hushughulikia taswira.
- Decode. Decoder kwanza hutabiri lugha au tokeni ya kutokuwa na matamshi. Kisha huchagua kazi (kunukuu au kutafsiri), kama muda utajumuishwa na hatimaye maandishi.
Alama za muda pia hutabiriwa kama tokeni na kukadiriwa kwa milisekunde 20 zilizo karibu. Hivyo modeli moja hushughulikia utambuzi wa lugha, unukuzi, tafsiri na muda.
Whisper ilifunzwa kwa data gani?
Modeli za kwanza zilijifunza kutoka saa 680,000 za sauti ya intaneti yenye nakala zinazolingana. OpenAI inaita hii weak supervision kwa sababu nakala hizo hazikukaguliwa kwa mkono kama data za majaribio ya kulinganisha.
| Sehemu ya sauti ya mafunzo | Saa | Maudhui |
|---|---|---|
| Takribani 65% | 438,000 | Sauti ya Kiingereza yenye nakala za Kiingereza |
| Takribani 18% | 126,000 | Sauti ya lugha nyingine yenye nakala za Kiingereza (data ya tafsiri) |
| Takribani 17% | 117,000 | Sauti ya lugha nyingine yenye nakala kwa lugha hiyo hiyo |
Chanzo: kadi ya modeli ya Whisper ya OpenAI. Utafiti unakadiria sehemu ya tafsiri kuwa saa 125,000.
Mambo mawili yanaeleza tabia ya Whisper. OpenAI iliondoa nakala zilizoonekana kutengenezwa na mashine, kama maandishi yote kwa herufi kubwa, hivyo modeli ilijifunza kuandika sentensi zenye uakifishaji. Modeli za awali pia zilikuwa zikikisia majina ya wazungumzaji kwa sababu nakala nyingi za wavuti zilikuwa nayo. OpenAI ilipunguza tabia hiyo kwa mafunzo zaidi, lakini inaonyesha jinsi modeli inavyofanana na maandishi ya mafunzo.
Large-v3 ilifunzwa kwa njia tofauti, takribani saa milioni 5: milioni 1 zenye lebo dhaifu za wavuti na milioni 4 zilizowekewa lebo na large-v2, kulingana na kadi yake ya Hugging Face.
Ulinganisho wa ukubwa wa modeli za Whisper
Whisper ina ukubwa sita. Modeli ndogo huenda haraka kwenye vifaa vya kawaida; kubwa hufanya makosa machache lakini zinahitaji kumbukumbu zaidi ya video (VRAM). Takwimu zinatoka README ya OpenAI.
| Ukubwa | Vigezo | Toleo la Kiingereza pekee | Toleo la lugha nyingi | VRAM inayohitajika | Kasi ikilinganishwa na 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 | Hakuna | large | ~10 GB | 1x |
| turbo | 809 M | Hakuna | turbo | ~6 GB | ~8x |
OpenAI ilipima kasi hizi kwa matamshi ya Kiingereza kwenye GPU ya A100 ya kituo cha data na inasema kasi halisi inaweza kutofautiana sana. Kompyuta mpakato itakuwa polepole zaidi.
Uchague modeli gani ya Whisper?
Anza na kumbukumbu uliyonayo na matumizi ya nakala:
- Majaribio kwenye mashine ya kawaida: tiny au base, takribani GB 1 za VRAM. Tarajia makosa zaidi.
- Kiingereza pekee: tumia modeli ya
.en. OpenAI inasema hufanya vizuri zaidi, hasa tiny na base. - Ubora mzuri kwa kasi inayofaa: turbo, takribani GB 6. Ndiyo chaguo-msingi la mstari wa amri.
- Kutafsiri matamshi kuwa Kiingereza: medium au large. Turbo haikufunzwa kutafsiri na hurudisha lugha asili hata ukiomba tafsiri.
- Sauti ngumu zaidi na matokeo bora zaidi: large, takribani GB 10 za VRAM.
Matoleo ya Whisper: historia fupi
„Large“ imetolewa katika matoleo matatu na turbo ni large-v3 iliyopunguzwa. Toleo ni muhimu kwa sababu matokeo hutofautiana kulingana na uzani.
| Toleo | Lilitolewa | Kilichobadilika |
|---|---|---|
| Modeli za awali (tiny hadi large) | Septemba 2022 | Toleo la kwanza wazi na utafiti |
| large-v2 | Desemba 2022 | Ukubwa ule ule, mafunzo mara 2.5 zaidi na udhibiti wa ziada |
| large-v3 | Novemba 2023 | Chaneli 128 za Mel, tokeni mpya ya Kikantoni, makosa 10% hadi 20% machache kuliko v2 katika lugha nyingi |
| turbo (large-v3-turbo) | Septemba 2024 | Tabaka za decoder zimepunguzwa kutoka 32 hadi 4 kwa kasi; hakuna tafsiri |
Vyanzo ni kadi ya Whisper, tanbihi ya utafiti kuhusu large-v2 na kadi za Hugging Face za large-v3 na large-v3-turbo.
Whisper inaunga mkono lugha ngapi?
Whisper hutambua takribani lugha 99. Kitambua lugha cha utafiti kilitumia tokeni 99, na tokenizer ya sasa ina misimbo 100 baada ya large-v3 kuongeza Kikantoni. Lakini kuunga mkono si sawa na ubora: kadi ya modeli inasema ina matokeo mazuri katika takribani lugha 10.
Ubora unafuata data ya mafunzo. Utafiti uligundua kuwa idadi ya saa za lugha ilitabiri vizuri utendaji na kuwa lugha nyingi zilikuwa na chini ya saa 1,000. Kiingereza, Kihispania au Kijerumani kwa kawaida vitatoa matokeo safi kuliko lugha yenye data chache. README inaunganisha chati ya makosa kwa kila lugha.
Usichanganye na idadi ya lugha ya bidhaa. whispertranscribe.ai inaunga mkono zaidi ya lugha 130. Hiyo ni idadi ya usaidizi wa bidhaa yetu (ukurasa wa bei unataja „lugha na lafudhi 130+“), si sifa ya modeli wazi ya Whisper.
Whisper ina usahihi gani?
Hakuna nambari moja ya usahihi kwa Whisper, kwa sababu hutegemea ukubwa wa modeli, lugha na rekodi. Kwa Kiingereza kilichosomwa wazi, large-v2 ilipata kiwango cha makosa ya maneno (WER) cha 2.7%. Wastani wa seti 14 za Kiingereza, nyingi zikiwa ngumu zaidi, ulikuwa 12.8%.
WER ni sehemu ya maneno yaliyobadilishwa, kuachwa au kuongezwa ikilinganishwa na nakala ya marejeo iliyokaguliwa na mtu. Kiwango kidogo ni bora. Takwimu hizi zinatoka jedwali la 2 la utafiti, likilinganisha Whisper large-v2 na wav2vec 2.0 iliyofunzwa kwa vitabu vya sauti vya LibriSpeech:
| Seti ya majaribio | WER ya wav2vec 2.0 | WER ya Whisper large-v2 |
|---|---|---|
| LibriSpeech clean (vitabu vya sauti vilivyosomwa) | 2.7% | 2.7% |
| Common Voice (sauti za waliojitolea) | 29.9% | 9.0% |
| CHiME-6 (rekodi zenye kelele za chakula cha jioni) | 65.8% | 25.5% |
| Wastani wa seti zote 14 katika jedwali | 29.3% | 12.8% |
Muundo wa matokeo ni muhimu. Modeli zote mbili ni sawa kwa kipimo cha kitabu cha sauti, lakini Whisper inafanya vizuri zaidi katika vingine na kufanya makosa 55.2% machache kwa wastani. Tangazo la OpenAI linakadiria kuwa 50% machache. Katika majaribio ya kelele ya utafiti, modeli zilizofunzwa LibriSpeech zilishinda Whisper kwa sauti karibu safi lakini zikawa nyuma kelele za baa zilipoongezeka na uwiano wa sauti kwa kelele kushuka chini ya 10 dB.
Hivi ni vipimo vya utafiti, si ahadi kwa faili zako; madai ya bidhaa ni tofauti. Kwa mfano, whispertranscribe.ai inaweza kufikia usahihi wa 99% kwa sauti wazi, lakini kelele, sauti zinazoingiliana na lafudhi nzito hupunguza usahihi.
Mipaka ya Whisper ni ipi?
Udhaifu mkuu ni kuwa inaweza kuandika maandishi yanayosikika vizuri ambayo hayakusemwa. Kadi ya OpenAI inaita hili hallucination na kulihusisha na mafunzo yenye usimamizi dhaifu. Pia inataja kurudia, usahihi usio sawa kwa lugha na lafudhi na kutokuwepo kwa lebo za wazungumzaji zilizojengwa ndani.
- Maandishi yaliyobuniwa. Utafiti wa 2024 Careless Whisper ulipata sentensi au virai visivyokuwepo kwenye sauti katika takribani 1% ya nakala zilizokaguliwa. Hili lilitokea zaidi karibu na vipindi virefu vya ukimya.
- Kurudia mara kwa mara. Modeli inaweza kurudia kirai. Beam search na mbinu ya kubadili temperature hupunguza tatizo kwa kiwango fulani, lakini si kikamilifu, kulingana na kadi ya modeli.
- Maneno ya mwanzo au mwisho kukosekana. Utafiti unataja kuruka maneno machache ya mwanzo au mwisho wa kipande kama kosa linalojulikana.
- Rekodi ndefu zinahitaji madirisha. Whisper huona sekunde 30 tu kwa wakati mmoja. Zana ya unukuzi husogeza dirisha kwa kutumia muda uliotabiriwa, hivyo kosa moja linaweza kuathiri dirisha linalofuata.
- Hakuna lebo za wazungumzaji. Kadi ya modeli inasema utambuzi wa nani alisema lini haukutathminiwa vya kutosha. Unahitaji zana tofauti.
- Si ya moja kwa moja kwa chaguo-msingi. Iliundwa kwa faili zilizorekodiwa. Captions za moja kwa moja zinahitaji kazi zaidi ya kiufundi.
- Ubora hutofautiana kwa lugha na lafudhi. Kadi ya modeli inataja makosa zaidi kwa baadhi ya lafudhi, lahaja na makundi ya watu.
OpenAI pia inaonya dhidi ya kunukuu watu bila idhini na matumizi katika maamuzi yenye hatari kubwa.
Pale vyanzo rasmi vinapotofautiana
Baadhi ya takwimu za nyaraka za OpenAI hutofautiana, hasa kwa makadirio au mabadiliko ya matoleo. Angalia kabla ya kunukuu:
| Mada | Chanzo kimoja rasmi kinasema | Kingine kinasema | Tumia nini |
|---|---|---|---|
| Kupungua kwa makosa dhidi ya modeli za LibriSpeech | Utafiti: makosa 55.2% machache kwa wastani | Tangazo la OpenAI: 50% machache | Taja utafiti na ulinganisho |
| Lugha nyingine katika data ya mafunzo | Utafiti: lugha nyingine 96 | Kadi ya modeli: lugha 98 | „Takribani lugha 99“ kwa utambuzi |
| Saa za mafunzo ya tafsiri | Kadi ya modeli: 126,000 | Utafiti: 125,000 | Yoyote ikiwa imeelezwa kuwa makadirio |
| Vigezo vya turbo | README na Hugging Face: 809 M | Jedwali la kadi ya modeli: 798 M | 809 M, inayotumiwa na vyanzo vingi |
| Ukubwa wa data ya mafunzo | Utafiti wa kwanza: saa 680,000 | Kadi ya large-v3: saa milioni 5 | Taja toleo unalolimaanisha |
| Leseni | GitHub: MIT kwa msimbo na uzani | Metadata ya large-v3 ya Hugging Face: Apache-2.0 | Angalia faili ya leseni ya nakala unayopakua |
Jinsi ya kutumia Whisper: iendeshe, tumia API au programu
Kuna njia tatu za vitendo. Kuendesha Whisper mwenyewe ni bure na kunaweka sauti kwenye kompyuta. API ya OpenAI huepusha usanidi lakini ina kikomo cha faili. Programu ya unukuzi ya mtandaoni inaongeza kuhariri, lebo na kupakua, lakini ni huduma ya mtu mwingine yenye masharti yake.
| Endesha Whisper wazi | API ya unukuzi ya OpenAI | Programu ya unukuzi ya mtandaoni | |
|---|---|---|---|
| Usanidi | Python, PyTorch na FFmpeg | Msimbo na ufunguo wa API | Kivinjari |
| Gharama | Bure; vifaa vyako | Lipa kwa matumizi | Kiwango cha bure au usajili, hutofautiana |
| Mipaka ya faili | Vifaa vyako | MB 25 kwa faili | Imewekwa na kila programu |
| Sauti inaenda wapi? | Inabaki kwenye kompyuta yako | Inatumwa OpenAI | Inatumwa kwenye seva za programu |
| Lebo za wazungumzaji | Hazijajengwa ndani | Hazipo katika whisper-1 | Hutegemea programu |
| Kuhariri na kupakua | TXT, SRT, VTT, TSV, JSON kutoka mstari wa amri | Hurudishwa kwa msimbo wako; unajenga mengine | Kwa kawaida kihariri na nyaraka pamoja na manukuu |
Endesha Whisper kwenye kompyuta yako
README ya OpenAI inatoa amri ya kusakinisha na mfano wa msingi:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Pia unahitaji kusakinisha FFmpeg, na README inasema msimbo unapaswa kufanya kazi kwenye Python 3.8 hadi 3.11. Ongeza --language kutaja lugha au --task translate na modeli ya lugha nyingi kupata Kiingereza. Uzani wa modeli hupakuliwa mara ya kwanza unapotumia.
Tumia API ya OpenAI
Mwongozo wa OpenAI wa speech-to-text unaweka kikomo cha MB 25 kwa faili; bana au gawanya faili kubwa. Kama ilivyoangaliwa Novemba 2026, mwongozo unaonyesha whisper-1 kuwa imepitwa na wakati na tarehe ya kufungwa Februari 26, 2027, na kuelekeza watengenezaji kwa modeli mpya. Hizo ni modeli za sauti za OpenAI, si matoleo mapya ya familia ya Whisper iliyo wazi.
Tumia programu ya unukuzi ya mtandaoni
Ikiwa hutaki kusakinisha chochote, programu inayopangishwa huchakata faili kwenye seva zake. whispertranscribe.ai ni chaguo moja; kigeuzi cha bure cha sauti kuwa maandishi ni njia ya kujaribu. Ukurasa wetu unaeleza kuwa whispertranscribe.ai hutumia Whisper na AI ya kizazi kijacho. Kurasa za bidhaa zinasema inatoa:
- Pakia faili za sauti au video hadi 5 GB na saa 10, au bandika kiungo cha YouTube, Vimeo, Google Drive au Dropbox kwenye unukuzi kutoka URL.
- Zaidi ya lugha 130, pamoja na utambuzi wa wazungumzaji unaoweza kuwashwa.
- Unukuzi wa moja kwa moja kutoka kipaza sauti na kurekodi na kunukuu kwenye kivinjari.
- Kupakua DOCX, PDF, SRT, VTT, TXT na CSV, ikiwemo manukuu kutoka kitengeneza manukuu cha AI.
- Kutafsiri sauti kwa Kiingereza kwa rekodi zisizo za Kiingereza.
Kuna mambo ya kuzingatia. Faili yako huenda kwenye huduma ya wingu badala ya kubaki kwenye kompyuta. Hatutoi API, msamiati maalumu au roboti ya mikutano. Vifurushi vya kulipia vinaanzia $9.99 kwa mwezi vikilipiwa kila mwaka (bei), na unaweza kuanza bure bila akaunti. Soma ukurasa wa zana ya unukuzi ya Whisper AI au vipengele vyote.
Je, Whisper ni programu wazi na leseni inaruhusu nini?
Ndiyo. Hazina ya OpenAI inasema msimbo na uzani wa modeli ya Whisper umetolewa chini ya leseni ya MIT. MIT ni leseni inayoruhusu mengi: kwa ujumla unaweza kutumia, kunakili, kubadilisha na kuuza programu inayotumia msimbo huo mradi uhifadhi taarifa ya hakimiliki na leseni.
Tahadhari mbili: nakala kwenye tovuti nyingine zinaweza kuwa na metadata tofauti; ukurasa wa large-v3 kwenye Hugging Face unaonyesha Apache-2.0. Soma leseni ya nakala unayotumia. Pia leseni inahusu programu, si rekodi unazoiingiza. Kanuni za idhini na faragha bado zinatumika kwa sauti. Haya ni maelezo ya jumla, si ushauri wa kisheria; maandishi ya leseni ya MIT ndiyo chanzo rasmi.
Whisper inafaa kwa nani?
Whisper inafaa kwa watengenezaji na wanaoweza kutumia terminal wanaotaka unukuzi wa bure, binafsi na usio na kikomo kwenye kompyuta yao. Ukitaka nakala iliyokamilika yenye kihariri na faili za kupakua, programu ya mtandaoni kwa kawaida ni ya haraka zaidi.
| Wewe ni… | Chaguo linalofaa | Kwa nini |
|---|---|---|
| Mtengenezaji wa bidhaa | Whisper wazi au API | Udhibiti kamili wa mchakato |
| Mtafiti mwenye mahojiano nyeti | Whisper wazi kwenye kompyuta | Sauti haiondoki kwenye kompyuta |
| Mtengenezaji anayehitaji manukuu wiki hii | Programu ya mtandaoni yenye SRT au VTT | Hakuna usanidi; faili zenye muda tayari kupakiwa |
| Mtumiaji wa kompyuta mpakato bila GPU | Modeli ndogo kwenye kompyuta au programu ya mtandaoni | Modeli kubwa zinahitaji takribani GB 10 za VRAM |
Kabla ya kuamini nakala ya Whisper: orodha ya ukaguzi
Orodha hii imetokana na makosa yaliyoelezwa kwenye utafiti na kadi ya modeli ya OpenAI:
- Kagua vipindi vya ukimya kuona kama kuna sentensi ambazo hazikusemwa.
- Tafuta kirai kile kile kilichorudiwa mara nyingi mfululizo.
- Linganisha mistari ya kwanza na ya mwisho ya faili na sauti.
- Hakiki majina, nambari na istilahi za kiufundi.
- Hakikisha lugha ilitambuliwa kwa usahihi au iweke mwenyewe.
- Kwa tafsiri, hakikisha hukutumia turbo.
- Ongeza lebo za wazungumzaji kwa zana tofauti ukizihitaji.
- Pata idhini kabla ya kurekodi au kunukuu watu wengine.
Maswali yanayoulizwa mara nyingi
Je, Whisper AI ni bure?
Ndiyo, OpenAI Whisper ni bure kupakua na kuendesha. OpenAI imetoa msimbo na uzani chini ya MIT, hivyo huhitaji kuilipa OpenAI kwa matumizi. Lakini unatoa kompyuta yako na modeli ya large inahitaji takribani GB 10 za kumbukumbu ya GPU. Chaguo za mtandaoni zinagharimu: API ya OpenAI hutoza matumizi na programu za unukuzi zina vifurushi vyake. Bure pia haimaanishi rahisi; unahitaji Python, FFmpeg na ujuzi fulani wa mstari wa amri.
Je, Whisper inaweza kutambua wazungumzaji tofauti?
Hapana, si yenyewe. Whisper huandika yaliyosemwa lakini haiweki lebo ya nani alisema. Kadi ya OpenAI inasema uwezo kama diarization haukutathminiwa vya kutosha. Kupata lebo, watu huunganisha Whisper na zana tofauti au kutumia programu inayoongeza utambuzi wa wazungumzaji. whispertranscribe.ai ina chaguo la kuwasha utambuzi kabla ya kunukuu. Kagua lebo hasa sauti zinapofanana.
Je, Whisper inaweza kunukuu moja kwa moja?
Si bila nyongeza. Whisper iliundwa kwa sauti zilizorekodiwa na huchakata sekunde 30 kwa wakati mmoja; kadi ya OpenAI inasema unukuzi wa moja kwa moja unahitaji kazi ya ziada. Watengenezaji wameunda zana za karibu na muda halisi kwa kuingiza vipande vifupi vinapowasili. Ikiwa unahitaji captions za moja kwa moja, tafuta zana yenye hali maalumu na tarajia ukaguzi zaidi kuliko rekodi iliyokamilika.
Whisper inaunga mkono lugha ngapi?
Whisper hutambua takribani lugha 99 na tokenizer yake ina misimbo 100 baada ya Kikantoni kuongezwa katika large-v3. Ubora hutofautiana sana. Kadi ya OpenAI inasema matokeo ni mazuri katika takribani lugha 10 na utafiti ulipata kuwa nyingi zilikuwa na chini ya saa 1,000 za mafunzo. Jaribu kipande kifupi kabla ya kutegemea lugha isiyo ya kawaida. Takwimu za bidhaa kama zaidi ya lugha 130 za whispertranscribe.ai zinaeleza usaidizi wa bidhaa hiyo, si modeli wazi.
Je, whispertranscribe.ai ni sawa na OpenAI Whisper?
Hapana. OpenAI Whisper ni modeli wazi unayopakua na kuendesha mwenyewe. whispertranscribe.ai ni huduma tofauti ya unukuzi kwenye kivinjari; ukurasa wake unasema hutumia Whisper na AI ya kizazi kijacho. Inaongeza vitu ambavyo modeli ya msingi haina, kama upakiaji hadi 5 GB, viungo vya YouTube au Google Drive, utambuzi wa wazungumzaji na kupakua DOCX, PDF, SRT na VTT. Programu nyingine zenye „Whisper“ kwenye majina ni bidhaa tofauti kutoka kampuni tofauti.
Kwa nini Whisper wakati mwingine huandika maneno ambayo hayakusemwa?
Kwa sababu hutabiri maandishi kama modeli ya lugha. Kadi ya OpenAI inasema mafunzo kwenye data kubwa yenye kelele ya wavuti yanaweza kuifanya itoe maneno yasiyokuwepo kwenye sauti. OpenAI inaeleza kuwa modeli inachanganya kutabiri neno linalofuata na kunukuu inachosikia. Utafiti wa 2024 ulipata virai vyote vilivyobuniwa katika takribani 1% ya nakala zilizokaguliwa, mara nyingi karibu na ukimya mrefu. Linganisha ukimya, sehemu tulivu na taarifa muhimu na sauti.
Unataka nakala ya Whisper bila kusanidi? Pakia faili au bandika kiungo kwenye whispertranscribe.ai upate maandishi katika zaidi ya lugha 130 na DOCX, PDF, SRT na VTT.
Marejeo
- OpenAI: Introducing Whisper (Septemba 21, 2022)
- Radford na wenzake: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Hazina ya Whisper kwenye GitHub na README, kadi ya modeli na leseni ya MIT
- Hugging Face: kadi ya openai/whisper-large-v3
- Nyaraka za API ya OpenAI: mwongozo wa speech to text (uliangaliwa Novemba 2026)
- Koenecke na wenzake: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
