โดยทีมบรรณาธิการ whispertranscribe.ai · อัปเดตล่าสุด: พฤศจิกายน 2026 · อ่าน 13 นาที
Whisper AI คืออะไร? โดยมากหมายถึง OpenAI Whisper โมเดลรู้จำเสียงโอเพนซอร์สที่ OpenAI เผยแพร่ในกันยายน 2022 โดยแปลงเสียงพูดที่บันทึกเป็นข้อความ ระบุภาษาที่พูด และแปลภาษาอื่นเป็นอังกฤษได้ OpenAI ฝึกด้วยเสียงจากเว็บ 680,000 ชั่วโมง และเผยแพร่โค้ดกับน้ำหนักโมเดลภายใต้ MIT License
ขอเปิดเผยสั้น ๆ ว่าเราเป็นผู้สร้าง whispertranscribe.ai ซึ่งเป็นเครื่องมือถอดเสียง AI ผ่านเว็บที่แปลงเสียงและวิดีโอเป็นข้อความกว่า 130 ภาษา คู่มือนี้แยกโมเดลจากผลิตภัณฑ์ที่สร้างรอบโมเดลอย่างชัดเจน และตัวเลขเกี่ยวกับโมเดลทุกตัวมาจากบทความ คลังโค้ด หรือ model card ของ OpenAI
คำตอบสั้น ๆ: Whisper AI คืออะไร?
Whisper เป็นโมเดลเสียงเป็นข้อความ ไม่ใช่แอปหรือบริษัท คุณดาวน์โหลดจาก คลัง GitHub ของ OpenAI และรันบนคอมพิวเตอร์เอง หรือใช้บริการที่รันให้
- ผู้สร้าง: OpenAI บทความวิจัย Robust Speech Recognition via Large-Scale Weak Supervision โพสต์บน arXiv เมื่อ 6 ธันวาคม 2022
- ทำอะไรได้: ถอดเสียง ตรวจภาษา แปลเสียงเป็นอังกฤษ และเพิ่มเวลาระดับช่วง
- สิ่งที่ไม่มีในตัว: ป้ายระบุผู้พูดหรือการถอดสด model card ของ OpenAI ระบุว่าใช้ถอดเสียงเรียลไทม์ได้ไม่ทันทีโดยไม่มีงานเพิ่มเติม
- ขนาด: หกขนาด ตั้งแต่ tiny (39 ล้านพารามิเตอร์) ถึง large (1,550 ล้าน)
- ค่าใช้จ่าย: ดาวน์โหลดและรันฟรี คุณจัดหาฮาร์ดแวร์เอง
"Whisper AI" อาจหมายถึงสามสิ่ง
ชื่อนี้ใช้กันอย่างกว้างและสามความหมายนี้สับสนได้ง่าย
| สิ่งที่เรียกว่า "Whisper AI" | คืออะไร | ผู้สร้าง | วิธีใช้ |
|---|---|---|---|
| OpenAI Whisper | โมเดลรู้จำเสียงโอเพนซอร์ส | OpenAI | ดาวน์โหลดโค้ดและน้ำหนักแล้วรันเอง |
| whisper-1 | โมเดล API ที่ OpenAI โฮสต์สำหรับถอดเสียง | OpenAI | ส่งไฟล์เสียงไปยัง API ของ OpenAI และจ่ายตามใช้ |
| แอปที่มี "Whisper" ในชื่อ | ผลิตภัณฑ์ถอดเสียง เช่น whisperai.com และ whispertranscribe.ai (เว็บไซต์นี้) | บริษัทแยกกัน | อัปโหลดหรือบันทึกเสียงในแอป |
ผลิตภัณฑ์แถวที่สามไม่ใช่ตัวโมเดลและใช้แทนกันไม่ได้ แต่ละบริษัทกำหนดฟีเจอร์ ขีดจำกัด ราคา และเงื่อนไขความเป็นส่วนตัวของตนเอง ในบทความนี้ "Whisper" หมายถึงโมเดลของ OpenAI
Whisper ทำงานอย่างไร?
Whisper เป็น encoder-decoder Transformer ส่วน encoder เปลี่ยนเสียง 30 วินาทีเป็นตัวแทนเชิงตัวเลข และ decoder เขียนข้อความที่ตรงกันทีละ token โดยมี token พิเศษกำหนดงาน
บทความ Whisper อธิบายกระบวนการ:
- สุ่มตัวอย่างใหม่ แปลงเสียงเป็น 16,000 Hz
- แบ่งหน้าต่างละ 30 วินาที โมเดลดูครั้งละ 30 วินาที คลิปสั้นกว่าจะเติมให้ครบ
- สร้างสเปกโตรแกรม แต่ละหน้าต่างเป็น log-Mel spectrogram 80 ช่อง ภาพการเปลี่ยนพลังงานเสียงตามความถี่ คำนวณจากเฟรม 25 มิลลิวินาทีทุก 10 มิลลิวินาที (large-v3 เปลี่ยนเป็น 128 ช่อง)
- เข้ารหัส convolution สองชั้นและ Transformer blocks หลายชั้นประมวลผลสเปกโตรแกรม
- ถอดรหัส decoder ทำนายภาษาหรือ token "ไม่มีเสียงพูด" ก่อน ตามด้วยงาน (ถอดหรือแปล) ว่าจะรวมเวลาหรือไม่ และข้อความ
เวลาถูกทำนายเป็น token เช่นกัน ปัดเป็นช่วงใกล้ที่สุด 20 มิลลิวินาที โมเดลเดียวจึงจัดการตรวจภาษา ถอดเสียง แปล และเวลาได้
Whisper ฝึกด้วยอะไร?
โมเดลเดิมเรียนรู้จากเสียงอินเทอร์เน็ต 680,000 ชั่วโมงพร้อมบทถอด OpenAI เรียกว่า "weak supervision" เพราะบทถอดไม่ได้ตรวจด้วยมือเหมือนชุดทดสอบ
| สัดส่วนเสียงฝึก | ชั่วโมง | เนื้อหา |
|---|---|---|
| ประมาณ 65% | 438,000 | เสียงอังกฤษพร้อมบทถอดอังกฤษ |
| ประมาณ 18% | 126,000 | เสียงที่ไม่ใช่อังกฤษพร้อมบทถอดอังกฤษ (ข้อมูลแปล) |
| ประมาณ 17% | 117,000 | เสียงที่ไม่ใช่อังกฤษพร้อมบทถอดภาษาเดียวกัน |
แหล่งข้อมูล: Whisper model card ของ OpenAI บทความปัดชั่วโมงแปลเป็น 125,000
สองรายละเอียดอธิบายพฤติกรรมได้มาก OpenAI กรองบทถอดที่ดูเหมือนเครื่องสร้าง เช่น ตัวพิมพ์ใหญ่ทั้งหมด โมเดลจึงเรียนรู้การเขียนประโยคพร้อมวรรคตอน และโมเดลยุคแรกมักเดาชื่อผู้พูดเพราะบทถอดเว็บจำนวนมากมีชื่อ OpenAI ปรับแต่งเพื่อลดพฤติกรรมนี้ แต่แสดงให้เห็นว่าโมเดลสะท้อนข้อความฝึกเพียงใด
Large-v3 ฝึกต่างออกไปด้วยประมาณ 5 ล้านชั่วโมง: 1 ล้านชั่วโมงมีป้ายกำกับแบบอ่อนจากเว็บ และ 4 ล้านชั่วโมงติดป้ายโดย large-v2 ตาม model card บน Hugging Face
เปรียบเทียบขนาดโมเดล Whisper
Whisper มีหกขนาด โมเดลเล็กเร็วกว่าในฮาร์ดแวร์จำกัด โมเดลใหญ่ผิดน้อยกว่าแต่ต้องใช้หน่วยความจำวิดีโอ (VRAM) มากกว่า ตัวเลขจาก README ของ OpenAI
| ขนาด | พารามิเตอร์ | รุ่นอังกฤษเท่านั้น | รุ่นหลายภาษา | VRAM ที่ต้องใช้ | ความเร็วเทียบ 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 | ไม่มี | large | ~10 GB | 1x |
| turbo | 809 M | ไม่มี | turbo | ~6 GB | ~8x |
OpenAI วัดความเร็วด้วยเสียงอังกฤษบน GPU A100 ระดับศูนย์ข้อมูลและระบุว่าความเร็วจริงอาจต่างกันมาก แล็ปท็อปจะช้ากว่า
ควรเลือกโมเดล Whisper ใด?
เริ่มจากหน่วยความจำและวัตถุประสงค์:
- ทดสอบบนเครื่องพื้นฐาน: tiny หรือ base ใช้ VRAM ราว 1 GB คาดว่าผิดมากกว่า
- เฉพาะอังกฤษ: ใช้โมเดล
.enOpenAI ระบุว่าทำได้ดีกว่า โดยเฉพาะ tiny และ base - คุณภาพดีด้วยความเร็วเหมาะสม: turbo ประมาณ 6 GB เป็นค่าเริ่มต้นบรรทัดคำสั่ง
- แปลเสียงเป็นอังกฤษ: medium หรือ large Turbo ไม่ได้ฝึกสำหรับแปล และส่งคืนภาษาเดิมแม้ขอให้แปล
- เสียงยากที่สุด ต้องการผลดีที่สุด: large ประมาณ 10 GB VRAM
เวอร์ชัน Whisper: ลำดับเวลาสั้น ๆ
"Large" มีสามรุ่น และ turbo เป็น large-v3 ที่ลดขนาด เวอร์ชันสำคัญเพราะผลต่างกันตาม checkpoint
| เวอร์ชัน | เผยแพร่ | สิ่งที่เปลี่ยน |
|---|---|---|
| โมเดลเดิม (tiny ถึง large) | กันยายน 2022 | เผยแพร่โอเพนซอร์สครั้งแรกพร้อมบทความ |
| large-v2 | ธันวาคม 2022 | ขนาดเท่าเดิม ฝึกนานขึ้น 2.5 เท่าพร้อม regularization เพิ่ม |
| large-v3 | พฤศจิกายน 2023 | 128 ช่อง Mel, token กวางตุ้งใหม่ ข้อผิดพลาดน้อยกว่า v2 10% ถึง 20% ในหลายภาษา |
| turbo (large-v3-turbo) | กันยายน 2024 | ลด decoder จาก 32 ชั้นเป็น 4 เพื่อความเร็ว ไม่รองรับแปล |
แหล่งข้อมูล: Whisper model card เชิงอรรถ large-v2 ในบทความ และ Hugging Face cards ของ large-v3 และ large-v3-turbo
Whisper รองรับกี่ภาษา?
Whisper รู้จำประมาณ 99 ภาษา ตัวตรวจภาษาในบทความใช้ 99 language tokens และ tokenizer ปัจจุบันมี 100 รหัสภาษาหลัง large-v3 เพิ่มกวางตุ้ง แต่การรองรับไม่เท่ากับคุณภาพ model card ระบุว่า Whisper ทำได้ดีในประมาณ 10 ภาษา
คุณภาพสัมพันธ์กับข้อมูลฝึก บทความพบว่าจำนวนชั่วโมงที่โมเดลเห็นทำนายประสิทธิภาพในภาษานั้นได้ดีมาก และภาษาส่วนใหญ่มีน้อยกว่า 1,000 ชั่วโมง อังกฤษ สเปน หรือเยอรมันมักชัดกว่าภาษาทรัพยากรน้อย README ลิงก์กราฟอัตราผิดแยกภาษาให้ตรวจ
อย่าสับสนกับจำนวนภาษาของผลิตภัณฑ์ whispertranscribe.ai รองรับกว่า 130 ภาษา ตัวเลขนี้เป็นการรองรับของผลิตภัณฑ์เรา (หน้าระบุ "130+ languages & accents") ไม่ใช่คุณสมบัติของโมเดล Whisper โอเพนซอร์ส
Whisper แม่นยำแค่ไหน?
ไม่มีตัวเลขเดียว เพราะขึ้นอยู่กับขนาดโมเดล ภาษา และไฟล์ บนเสียงอ่านอังกฤษที่ชัด large-v2 ได้ word error rate (WER) 2.7% เฉลี่ยจากชุดทดสอบอังกฤษ 14 ชุดซึ่งส่วนใหญ่ยากกว่า ได้ 12.8%
WER นับคำที่ระบบแทนที่ ตกหล่น หรือเพิ่มเทียบกับบทอ้างอิงที่คนตรวจ แล้วหารด้วยจำนวนคำอ้างอิง ยิ่งต่ำยิ่งดี ตัวเลขจากตาราง 2 เปรียบเทียบ Whisper large-v2 กับ wav2vec 2.0 ที่ฝึกบนชุดหนังสือเสียง LibriSpeech:
| ชุดทดสอบ | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (หนังสือเสียงอ่าน) | 2.7% | 2.7% |
| Common Voice (เสียงจากผู้ใช้) | 29.9% | 9.0% |
| CHiME-6 (งานเลี้ยงเสียงดัง) | 65.8% | 25.5% |
| เฉลี่ยทุก 14 ชุดในตาราง | 29.3% | 12.8% |
รูปแบบผลสำคัญ: ทั้งสองเสมอกันในหนังสือเสียง แต่ Whisper ทำได้ดีกว่าในชุดอื่นโดยรวม มีข้อผิดพลาดน้อยกว่าเฉลี่ย 55.2% ประกาศของ OpenAI ปัดเป็น 50% ในการทดสอบเสียงรบกวน โมเดลที่ฝึกด้วย LibriSpeech ดีกว่า Whisper เมื่อเสียงแทบไม่มีรบกวน แต่ตามหลังเมื่อเสียงผับดังขึ้นที่อัตราสัญญาณต่อเสียงรบกวนต่ำกว่า 10 dB
นี่เป็นผลทดสอบวิจัย ไม่ใช่คำสัญญาสำหรับไฟล์ของคุณ และคำอ้างผลิตภัณฑ์แยกต่างหาก เช่น whispertranscribe.ai มีความแม่นยำสูงสุด 99% สำหรับเสียงชัด และเสียงรบกวน เสียงทับ และสำเนียงหนักลดความแม่นยำ
ข้อจำกัดของ Whisper คืออะไร?
จุดอ่อนหลักคืออาจเขียนข้อความลื่นไหลที่ไม่มีใครพูด model card ของ OpenAI เรียกว่า hallucination และเชื่อมกับการฝึกแบบ weak supervision นอกจากนี้ยังระบุการซ้ำ ความแม่นยำไม่เท่ากันตามภาษาและสำเนียง และไม่มีป้ายผู้พูดในตัว
- ข้อความสร้างเอง ในการศึกษา Careless Whisper ปี 2024 นักวิจัยพบว่าบทถอดที่ตรวจประมาณ 1% มีวลีหรือประโยคทั้งชุดที่ไม่มีในเสียง เกิดบ่อยขึ้นเมื่อมีช่วงหยุดยาว
- การวนซ้ำ โมเดลอาจติดพูดซ้ำ model card ระบุว่า beam search และ temperature fallback ลดได้บางส่วนแต่ไม่หมด
- คำแรกหรือสุดท้ายหาย บทความระบุว่าการข้ามคำแรกหรือท้ายของช่วงเป็นข้อผิดพลาดที่ทราบ
- ไฟล์ยาวต้องแบ่งหน้าต่าง Whisper ดูครั้งละ 30 วินาที เครื่องมือถอดเลื่อนหน้าต่างโดยใช้เวลาที่ทำนาย ข้อผิดพลาดจึงอาจกระทบหน้าต่างถัดไป
- ไม่มีป้ายผู้พูด model card ระบุว่าไม่ได้ประเมิน diarization อย่างเข้มแข็ง จึงต้องใช้เครื่องมือแยก
- ไม่เรียลไทม์โดยค่าเริ่มต้น สร้างสำหรับไฟล์บันทึก คำบรรยายสดต้องพัฒนาเพิ่ม
- ไม่เท่ากันตามภาษาและสำเนียง model card ระบุอัตราผิดสูงขึ้นในบางสำเนียง ภาษาถิ่น และกลุ่มประชากร
OpenAI ยังเตือนไม่ให้ถอดเสียงผู้อื่นโดยไม่ได้รับความยินยอม และไม่ให้ใช้ตัดสินใจความเสี่ยงสูง
เมื่อแหล่งข้อมูลทางการไม่ตรงกัน
ตัวเลขบางอย่างต่างกันระหว่างเอกสาร OpenAI ส่วนใหญ่เพราะการปัดหรือเปลี่ยนเวอร์ชัน ตรวจสอบก่อนอ้าง:
| หัวข้อ | แหล่งทางการหนึ่งระบุ | อีกแห่งระบุ | ควรใช้อะไร |
|---|---|---|---|
| ลดข้อผิดพลาดเทียบโมเดล LibriSpeech | บทความ: น้อยกว่าเฉลี่ย 55.2% | ประกาศ OpenAI: น้อยกว่า 50% | อ้างบทความและระบุสิ่งที่เทียบ |
| ภาษาฝึกนอกจากอังกฤษ | บทความ: อีก 96 ภาษา | model card: 98 ภาษา | "ประมาณ 99 ภาษา" สำหรับรู้จำ |
| ชั่วโมงฝึกแปล | model card: 126,000 | บทความ: 125,000 | ใช้ตัวใดก็ได้โดยระบุว่าประมาณ |
| จำนวนพารามิเตอร์ turbo | README และ Hugging Face: 809 M | ตาราง model card: 798 M | 809 M ตามแหล่งส่วนใหญ่ |
| ขนาดข้อมูลฝึก | บทความเดิม: 680,000 ชั่วโมง | card ของ large-v3: 5 ล้านชั่วโมง | ระบุเวอร์ชันที่หมายถึง |
| ใบอนุญาต | GitHub: MIT สำหรับโค้ดและน้ำหนัก | เมทาดาทา large-v3 บน Hugging Face: Apache-2.0 | ตรวจไฟล์ใบอนุญาตของสำเนาที่ดาวน์โหลด |
วิธีใช้ Whisper: รันเอง เรียก API หรือใช้แอป
มีสามวิธี รันเองฟรีและเก็บเสียงบนเครื่อง API ของ OpenAI ไม่ต้องตั้งค่าโมเดลแต่จำกัดขนาดไฟล์ แอปถอดเสียงที่โฮสต์เพิ่มการแก้ไข ป้ายผู้พูด และส่งออก แต่เป็นบริการบุคคลที่สามที่มีเงื่อนไขของตน
| รัน Whisper โอเพนซอร์ส | OpenAI transcription API | แอปถอดเสียงที่โฮสต์ | |
|---|---|---|---|
| ตั้งค่า | Python, PyTorch และ FFmpeg | โค้ดและ API key | เบราว์เซอร์ |
| ค่าใช้จ่าย | ฟรี ใช้ฮาร์ดแวร์ของคุณ | จ่ายตามใช้ | แพ็กเกจฟรีหรือสมาชิก ต่างตามแอป |
| ขีดจำกัดไฟล์ | ฮาร์ดแวร์ของคุณ | 25 MB ต่อไฟล์ | แต่ละแอปกำหนด |
| เสียงไปที่ไหน | อยู่ในคอมพิวเตอร์ | ส่งไป OpenAI | ส่งไปเซิร์ฟเวอร์แอป |
| ป้ายผู้พูด | ไม่มีในตัว | ไม่มีใน whisper-1 | ขึ้นอยู่กับแอป |
| แก้ไขและส่งออก | TXT, SRT, VTT, TSV, JSON จากบรรทัดคำสั่ง | ส่งคืนโค้ดของคุณ ต้องสร้างส่วนที่เหลือ | มักมีตัวแก้ไขและส่งออกเอกสารกับซับไตเติล |
รัน Whisper บนคอมพิวเตอร์ของคุณ
README ของ OpenAI ให้คำสั่งติดตั้งและรันพื้นฐาน:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
ต้องติดตั้ง FFmpeg ด้วย และ README ระบุว่าโค้ดควรทำงานบน Python 3.8 ถึง 3.11 เพิ่ม --language เพื่อระบุภาษาที่พูด หรือ --task translate กับโมเดลหลายภาษาเพื่อรับภาษาอังกฤษ น้ำหนักโมเดลดาวน์โหลดเมื่อใช้ครั้งแรก
ใช้ API ของ OpenAI
คู่มือ speech-to-text ของ OpenAI จำกัดอัปโหลด 25 MB ต่อไฟล์ จึงบีบอัดหรือแบ่งไฟล์ที่ใหญ่กว่า ตามที่ตรวจพฤศจิกายน 2026 เอกสารระบุว่า whisper-1 และ /v1/audio/translations เลิกใช้งานแล้วและวางแผนปิด 26 กุมภาพันธ์ 2027 โดยชี้ไปยังโมเดลถอดเสียงใหม่ โมเดลใหม่นั้นเป็นโมเดลเสียงของ OpenAI ไม่ใช่รุ่นใหม่ของตระกูล Whisper โอเพนซอร์ส
ใช้แอปถอดเสียงที่โฮสต์
หากไม่ต้องการติดตั้ง แอปที่โฮสต์ประมวลผลไฟล์บนเซิร์ฟเวอร์ whispertranscribe.ai เป็นหนึ่งตัวเลือก และ ตัวแปลงเสียงเป็นข้อความฟรี เป็นวิธีทดลองอย่างรวดเร็ว หน้าแรกอธิบาย whispertranscribe.ai ว่าใช้ Whisper และ AI รุ่นถัดไป จากหน้าผลิตภัณฑ์ของเรา ฟีเจอร์ได้แก่:
- อัปโหลดเสียงหรือวิดีโอสูงสุด 5GB และ 10 ชั่วโมง หรือวางลิงก์ YouTube, Vimeo, Google Drive หรือ Dropbox ใน Transcribe from URL
- กว่า 130 ภาษา พร้อมตัวเลือกเปิดตรวจจับผู้พูด
- ถอดเสียงสด จากไมโครโฟน และ บันทึกและถอดในเบราว์เซอร์
- ส่งออก DOCX, PDF, SRT, VTT, TXT และ CSV รวมซับไตเติลจาก เครื่องมือสร้างซับไตเติล AI
- แปลเสียงเป็นอังกฤษ สำหรับไฟล์ภาษาอื่น
มีข้อแลกเปลี่ยน: ไฟล์ไปยังบริการคลาวด์ของ whispertranscribe.aiแทนการอยู่บนเครื่อง เราไม่มี API คำศัพท์กำหนดเอง หรือบอตประชุม แพ็กเกจชำระเงินเริ่ม $9.99/เดือน เมื่อเรียกเก็บรายปี (ราคา) และคุณ เริ่มฟรีโดยไม่ต้องมีบัญชี ดู เครื่องมือถอดเสียง Whisper AI หรือ ฟีเจอร์ทั้งหมด
Whisper เป็นโอเพนซอร์สหรือไม่ และใบอนุญาตอนุญาตอะไร?
ใช่ คลัง OpenAI ระบุว่าโค้ดและน้ำหนักโมเดล Whisper เผยแพร่ภายใต้ MIT License ซึ่งเป็นใบอนุญาตแบบอนุญาตกว้าง โดยทั่วไปให้ใช้ คัดลอก แก้ไข และขายซอฟต์แวร์ที่สร้างบนโค้ดได้ หากคงประกาศลิขสิทธิ์และใบอนุญาต
ข้อควรระวังสองข้อ: สำเนาบนเว็บไซต์อื่นอาจมีเมทาดาทาใบอนุญาตต่างกัน หน้า large-v3 บน Hugging Face ระบุ Apache-2.0 ให้อ่านใบอนุญาตที่มากับสำเนาที่ใช้ และใบอนุญาตครอบคลุมซอฟต์แวร์ ไม่ใช่ไฟล์บันทึกที่ป้อน กฎความยินยอมและความเป็นส่วนตัวยังคงใช้กับเสียง ขอความยินยอมที่จำเป็นก่อนบันทึก นี่เป็นข้อมูลทั่วไป ไม่ใช่คำแนะนำทางกฎหมาย ข้อความ MIT license เป็นแหล่งทางการ
Whisper เหมาะกับใคร?
Whisper เหมาะกับนักพัฒนาและผู้ใช้เทอร์มินัลได้ที่ต้องการถอดเสียงฟรี เป็นส่วนตัว และไม่จำกัด หากต้องการบทถอดสำเร็จพร้อมตัวแก้ไขและส่งออก แอปที่โฮสต์มักเร็วกว่า
| คุณเป็น... | ตัวเลือกที่เหมาะ | เหตุผล |
|---|---|---|
| นักพัฒนาสร้างผลิตภัณฑ์ | Whisper โอเพนซอร์สหรือ API | ควบคุมกระบวนการได้เต็มที่ |
| นักวิจัยที่มีสัมภาษณ์อ่อนไหว | Whisper โอเพนซอร์ส รันบนเครื่อง | เสียงไม่ออกจากเครื่อง |
| ผู้สร้างที่ต้องการซับไตเติลสัปดาห์นี้ | แอปที่โฮสต์พร้อมส่งออก SRT หรือ VTT | ไม่ต้องตั้งค่า ได้ไฟล์พร้อมเวลาให้อัปโหลด |
| ผู้ใช้แล็ปท็อปไม่มี GPU | โมเดลเล็กบนเครื่องหรือแอปที่โฮสต์ | โมเดลใหญ่ต้องใช้ VRAM ประมาณ 10 GB |
ก่อนเชื่อบทถอด Whisper: รายการตรวจ
เราสร้างรายการจากข้อผิดพลาดในบทความและ model card ของ OpenAI:
- สุ่มตรวจช่วงหยุดและเงียบว่ามีประโยคที่ไม่มีใครพูดหรือไม่
- ตรวจวลีเดียวกันที่ซ้ำหลายครั้งติดกัน
- ตรวจบรรทัดแรกและท้ายเทียบเสียง
- ยืนยันชื่อ ตัวเลข และศัพท์เทคนิค
- ยืนยันว่าตรวจภาษาถูกต้องหรือตั้งเอง
- สำหรับแปล ตรวจว่าไม่ได้ใช้ turbo
- เพิ่มป้ายผู้พูดด้วยเครื่องมือแยกหากต้องการ
- ขอความยินยอมที่จำเป็นก่อนบันทึกหรือถอดเสียงผู้อื่น
คำถามที่พบบ่อย
Whisper AI ฟรีหรือไม่?
ใช่ OpenAI Whisper ดาวน์โหลดและรันฟรี OpenAI ให้ใบอนุญาตโค้ดและน้ำหนักภายใต้ MIT จึงใช้ได้โดยไม่จ่าย OpenAI แต่ต้องจัดหาคอมพิวเตอร์เอง และโมเดล large ต้องการ GPU memory ประมาณ 10 GB ตัวเลือกที่โฮสต์มีค่าใช้จ่าย: API ของ OpenAI คิดตามใช้ และแอปกำหนดแพ็กเกจของตน "ฟรี" ไม่ได้หมายถึงใช้ง่าย ต้องมี Python, FFmpeg และความคุ้นเคยบรรทัดคำสั่ง
Whisper ระบุผู้พูดต่างคนได้หรือไม่?
ไม่ได้ด้วยตัวเอง Whisper เขียนสิ่งที่พูดแต่ไม่ติดป้ายว่าใครพูด model card ระบุว่าความสามารถอย่าง speaker diarization ไม่ได้ประเมินอย่างเข้มแข็ง หากต้องการป้าย ผู้ใช้มักจับคู่ Whisper กับเครื่องมือ diarization แยก หรือใช้แอปที่เพิ่มการตรวจจับผู้พูด เช่น whispertranscribe.ai มีตัวเลือกเปิดก่อนถอด ตรวจป้ายเสมอในไฟล์ที่เสียงคล้ายกัน
Whisper ถอดเสียงเรียลไทม์ได้หรือไม่?
ไม่ได้ทันทีโดยไม่มีงานเพิ่ม Whisper ออกแบบสำหรับเสียงบันทึกและประมวลผลทีละหน้าต่าง 30 วินาที model card ระบุว่าใช้ถอดเรียลไทม์ไม่ได้หากไม่พัฒนาเพิ่ม นักพัฒนาสร้างเครื่องมือเกือบเรียลไทม์โดยป้อนช่วงสั้นตามที่เข้ามา หากต้องการคำบรรยายสด ให้หาเครื่องมือที่มีโหมดสดเฉพาะ และคาดว่าต้องแก้ผลสดมากกว่าบทถอดจากไฟล์ที่เสร็จแล้ว
Whisper รองรับกี่ภาษา?
Whisper รู้จำประมาณ 99 ภาษา และ tokenizer ปัจจุบันมี 100 รหัสหลังเพิ่มกวางตุ้งใน large-v3 คุณภาพต่างกันมาก model card ระบุว่าทำได้ดีประมาณ 10 ภาษา และบทความพบว่าภาษาส่วนใหญ่มีเสียงฝึกต่ำกว่า 1,000 ชั่วโมง ก่อนพึ่งภาษาที่พบน้อยให้ทดสอบคลิปสั้น ตัวเลขผลิตภัณฑ์ เช่น กว่า 130 ภาษาของ whispertranscribe.ai เป็นการรองรับของผลิตภัณฑ์ ไม่ใช่โมเดลโอเพนซอร์ส
whispertranscribe.ai เหมือน OpenAI Whisper หรือไม่?
ไม่ OpenAI Whisper เป็นโมเดลโอเพนซอร์สที่ดาวน์โหลดและรันเอง ส่วน whispertranscribe.ai เป็นบริการถอดเสียงผ่านเบราว์เซอร์แยกต่างหาก หน้าแรกอธิบายว่าใช้ Whisper และ AI รุ่นถัดไป โดยเพิ่มสิ่งที่โมเดลดิบไม่มี เช่น อัปโหลดสูงสุด 5GB นำเข้าลิงก์ YouTube หรือ Google Drive ตรวจจับผู้พูด และส่งออก DOCX, PDF, SRT และ VTT แอปอื่นที่มี "Whisper" ในชื่อเป็นผลิตภัณฑ์แยกจากบริษัทแยกกัน
ทำไม Whisper บางครั้งเขียนคำที่ไม่มีใครพูด?
เพราะมันทำนายข้อความแบบโมเดลภาษา model card ของ OpenAI ระบุว่าการฝึกด้วยข้อมูลเว็บขนาดใหญ่ที่มีสัญญาณรบกวนทำให้บางครั้งสร้างคำที่ไม่มีในเสียง OpenAI อธิบายว่าโมเดลผสมการทำนายคำถัดไปกับการถอดเสียงที่ได้ยิน การศึกษาปี 2024 พบวลีสร้างเองทั้งชุดในบทถอดที่ตรวจราว 1% โดยพบบ่อยขึ้นบริเวณช่วงหยุดยาว ตรวจช่วงหยุด ช่วงเงียบ และสิ่งสำคัญเทียบเสียง
ต้องการบทถอด Whisper โดยไม่ต้องตั้งค่าหรือไม่? อัปโหลดไฟล์หรือวางลิงก์ใน whispertranscribe.ai เพื่อรับข้อความกว่า 130 ภาษา พร้อมส่งออก DOCX, PDF, SRT และ VTT
แหล่งอ้างอิง
- OpenAI: แนะนำ Whisper (21 กันยายน 2022)
- Radford และคณะ: การรู้จำเสียงที่ทนทานด้วยการกำกับแบบอ่อนขนาดใหญ่ (arXiv 2212.04356)
- OpenAI: คลัง Whisper GitHub และ README, model card และ MIT license
- Hugging Face: model card openai/whisper-large-v3
- เอกสาร OpenAI API: คู่มือ Speech to text (ตรวจพฤศจิกายน 2026)
- Koenecke และคณะ: Careless Whisper: อันตรายจากการสร้างข้อความเองในการถอดเสียง (arXiv 2402.08021)
