Редакція whispertranscribe.ai · Оновлено: листопад 2026 · Час читання: 13 хвилин
Що таке Whisper AI? Зазвичай мають на увазі OpenAI Whisper — модель розпізнавання мовлення з відкритим кодом, яку OpenAI опублікувала у вересні 2022 року. Вона перетворює записане мовлення на текст, визначає мову та може перекладати інші мови англійською. OpenAI навчила модель на 680 000 годин вебаудіо й опублікувала код і ваги за ліцензією MIT.
Прозорість: ми створюємо whispertranscribe.ai. whispertranscribe.ai — вебінструмент AI-транскрибування, що перетворює аудіо й відео на текст понад 130 мовами. Цей посібник чітко розрізняє модель і продукти на її основі; усі показники моделі взято зі статті, репозиторію або картки моделі OpenAI.
Коротка відповідь: що таке Whisper AI?
Whisper — модель мовлення в текст, а не застосунок чи компанія. Її можна завантажити з репозиторію OpenAI на GitHub і запустити на власному комп'ютері або користуватися сервісом, що запускає її для вас.
- Розробник: OpenAI. Наукову статтю Robust Speech Recognition via Large-Scale Weak Supervision опубліковано на arXiv 6 грудня 2022 року.
- Можливості: транскрибування, визначення мови, переклад мовлення англійською та часові позначки сегментів.
- Не вбудовано: позначення мовців і живе транскрибування. Картка моделі OpenAI зазначає, що для реального часу потрібна додаткова робота.
- Розміри: шість — від tiny (39 мільйонів параметрів) до large (1 550 мільйонів).
- Вартість: завантаження та запуск безкоштовні. Обладнання забезпечуєте ви.
«Whisper AI» може означати три різні речі
Назву використовують широко, і ці три значення легко сплутати.
| Що називають «Whisper AI» | Що це | Хто створює | Як використовується |
|---|---|---|---|
| OpenAI Whisper | Відкрита модель розпізнавання мовлення | OpenAI | Завантажте код і ваги та запускайте самостійно |
| whisper-1 | Розміщена OpenAI модель API для транскрибування | OpenAI | Надсилайте аудіофайли в API OpenAI й платіть за використання |
| Застосунки з «Whisper» у назві | Продукти транскрибування, як whisperai.com та whispertranscribe.ai (цей сайт) | Окремі компанії | Завантажуйте або записуйте аудіо в їхніх застосунках |
Продукти третього рядка — не сама модель і не взаємозамінні. Кожна компанія визначає власні функції, межі, ціни й умови приватності. У цій статті «Whisper» означає модель OpenAI.
Як працює Whisper?
Whisper — Transformer із кодером і декодером. Кодер перетворює 30 секунд аудіо на числове представлення, а декодер записує відповідний текст по одному токену, керуючись спеціальними токенами завдання.
Стаття про Whisper описує процес:
- Зміна частоти дискретизації. Аудіо перетворюється на 16 000 Гц.
- Поділ на 30-секундні вікна. Модель завжди розглядає 30 секунд за раз. Коротші фрагменти доповнюються.
- Створення спектрограми. Кожне вікно стає 80-канальною log-Mel-спектрограмою — зображенням зміни енергії звуку за частотами, обчисленим на 25-мілісекундних кадрах кожні 10 мілісекунд. (Large-v3 перейшла на 128 каналів.)
- Кодування. Два згорткові шари й стек блоків Transformer обробляють спектрограму.
- Декодування. Декодер спочатку прогнозує мову або токен «немає мовлення». Далі — завдання (транскрибувати або перекласти), включення часових позначок і сам текст.
Часові позначки теж прогнозуються як токени з округленням до найближчих 20 мілісекунд. Так одна модель виконує визначення мови, транскрибування, переклад і визначення часу.
На чому навчали Whisper?
Початкові моделі навчалися на 680 000 годин інтернет-аудіо з відповідними транскриптами. OpenAI називає це «слабким наглядом», оскільки транскрипти не перевіряли вручну, як еталонні набори.
| Частка навчального аудіо | Години | Вміст |
|---|---|---|
| Близько 65 % | 438 000 | Англійське аудіо з англійськими транскриптами |
| Близько 18 % | 126 000 | Неанглійське аудіо з англійськими транскриптами (дані перекладу) |
| Близько 17 % | 117 000 | Неанглійське аудіо з транскриптами тією самою мовою |
Джерело: картка моделі Whisper OpenAI. Стаття округлює частку перекладу до 125 000 годин.
Дві деталі пояснюють поведінку Whisper. OpenAI відфільтрувала транскрипти, схожі на машинні, наприклад текст лише великими літерами, тому модель навчилася писати речення з пунктуацією. Ранні моделі також вгадували імена мовців, бо багато вебтранскриптів їх містили. OpenAI зменшила цю звичку донавчанням, але вона показує, наскільки модель відображає навчальний текст.
Large-v3 навчалася інакше, приблизно на 5 мільйонах годин: 1 мільйоні зі слабкими вебмітками та 4 мільйонах, розмічених large-v2, згідно з її карткою на Hugging Face.
Порівняння розмірів моделей Whisper
Whisper має шість розмірів. Менші моделі швидші на скромному обладнанні; більші роблять менше помилок, але потребують більше відеопам'яті (VRAM). Показники наведено з README OpenAI.
| Розмір | Параметри | Лише англійська | Багатомовна версія | Потрібна VRAM | Швидкість відносно 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 | Немає | large | ~10 GB | 1x |
| turbo | 809 M | Немає | turbo | ~6 GB | ~8x |
OpenAI вимірювала швидкість на англійському мовленні з GPU A100 для дата-центрів і зазначає, що реальна швидкість може суттєво відрізнятися. Ноутбук буде повільнішим.
Яку модель Whisper вибрати?
Виходьте з наявної пам'яті та призначення транскрипту:
- Тест на простому комп'ютері: tiny або base, близько 1 ГБ VRAM. Очікуйте більше помилок.
- Лише англійська: модель
.en. OpenAI каже, що вона краща, особливо в розмірах tiny і base. - Хороша якість за прийнятної швидкості: turbo, близько 6 ГБ. Це стандарт командного рядка.
- Переклад мовлення англійською: medium або large. Turbo не навчена перекладу й повертає вихідну мову навіть на запит перекладу.
- Найскладніше аудіо, найкращий можливий результат: large, близько 10 ГБ VRAM.
Версії Whisper: коротка хронологія
«Large» охоплює три випуски, а turbo — полегшена large-v3. Версія важлива, бо результати контрольних точок різняться.
| Версія | Випуск | Що змінилося |
|---|---|---|
| Початкові моделі (tiny–large) | Вересень 2022 | Перший відкритий випуск зі статтею |
| large-v2 | Грудень 2022 | Той самий розмір, навчання у 2,5 раза довше з додатковою регуляризацією |
| large-v3 | Листопад 2023 | 128 Mel-каналів, новий кантонський токен, на 10–20 % менше помилок за v2 багатьма мовами |
| turbo (large-v3-turbo) | Вересень 2024 | Кількість шарів декодера зменшено з 32 до 4 для швидкості; без перекладу |
Джерела: картка Whisper, примітка статті про large-v2 і картки Hugging Face для large-v3 та large-v3-turbo.
Скільки мов підтримує Whisper?
Whisper розпізнає близько 99 мов. Визначник мови у статті використовував 99 мовних токенів, а поточний токенізатор перелічує 100 кодів після додавання кантонської в large-v3. Підтримка не означає однакову якість: картка моделі каже про сильні результати приблизно 10 мовами.
Якість пов'язана з навчальними даними. Стаття виявила, що кількість годин мови добре прогнозує результат і що більшість мов мали менше 1 000 годин. Англійська, іспанська чи німецька зазвичай дають чистіший результат за мови з меншими ресурсами. README посилається на графік помилок за мовами.
Не плутайте це з кількістю мов у продуктах. whispertranscribe.ai підтримує понад 130 мов. Це підтримка нашого продукту (сторінка цін зазначає «130+ languages & accents»), а не властивість відкритої моделі Whisper.
Наскільки точний Whisper?
Єдиного показника немає: результат залежить від розміру моделі, мови й запису. На чистій читаній англійській large-v2 отримала 2,7 % частки помилок слів (WER). Середнє для 14 англійських тестових наборів, більшість із яких складніші, становило 12,8 %.
WER — частка помилок із замінами, пропусками й вставками порівняно з людським еталонним транскриптом. Менше — краще. Дані нижче з таблиці 2 статті: Whisper large-v2 порівнюється з wav2vec 2.0, навченою на аудіокнигах LibriSpeech.
| Тестовий набір | wav2vec 2.0 WER | Whisper large-v2 WER |
|---|---|---|
| LibriSpeech clean (читані аудіокниги) | 2,7 % | 2,7 % |
| Common Voice (записи добровольців) | 29,9 % | 9,0 % |
| CHiME-6 (шумні записи вечері) | 65,8 % | 25,5 % |
| Середнє для всіх 14 наборів у таблиці | 29,3 % | 12,8 % |
Важлива закономірність. На аудіокнигах моделі рівні, але Whisper краще тримається на решті, роблячи в середньому на 55,2 % менше помилок. Оголошення OpenAI округлює це до «на 50 % менше». У шумових тестах моделі, навчені на LibriSpeech, перевершили Whisper на майже чистому звуку, але відстали за гучного шуму, як у пабі, нижче 10 дБ співвідношення сигнал/шум.
Це дослідницькі тести, а не обіцянка для ваших файлів; заяви продуктів окремі. Наприклад, whispertranscribe.ai досягає до 99 % точності на чистому аудіо, а шум, одночасні голоси та сильні акценти її знижують.
Які обмеження Whisper?
Головна слабкість — можливість написати плавний текст, якого ніхто не вимовляв. Картка OpenAI називає це галюцинацією й пов'язує зі слабко контрольованим навчанням. Вона також перелічує повторення, нерівномірну точність між мовами й акцентами та відсутність вбудованих позначок мовців.
- Вигаданий текст. У дослідженні Careless Whisper 2024 року дослідники знайшли в приблизно 1 % перевірених транскриптів цілі фрази чи речення, відсутні в аудіо. Галюцинації частішали за довгих пауз.
- Цикли повторення. Модель може застрягти на фразі. За карткою, beam search і температурний резерв певною мірою зменшують проблему, але не повністю.
- Втрата перших або останніх слів. Стаття називає пропуск перших чи останніх слів сегмента відомою помилкою.
- Довгі записи потребують вікон. Whisper бачить лише 30 секунд за раз. Для довших файлів інструмент рухає вікно за прогнозованими часовими позначками, тому помилка може вплинути на наступне.
- Немає позначок мовців. Визначення того, хто й коли говорив, не було надійно оцінене за карткою моделі. Потрібен окремий інструмент.
- За замовчуванням не реальний час. Модель створена для записаних файлів. Живі субтитри потребують додаткової розробки.
- Нерівномірність за мовами й акцентами. Картка зазначає вищі помилки для деяких акцентів, діалектів і демографічних груп.
OpenAI також застерігає від транскрибування людей без їхньої згоди та використання для рішень високого ризику. Отримайте необхідну згоду до запису й транскрибування.
Де офіційні джерела розходяться
Деякі показники в документах OpenAI відрізняються, переважно через округлення або зміну версії. Перевіряйте перед цитуванням:
| Тема | Одне офіційне джерело | Інше | Що використовувати |
|---|---|---|---|
| Зменшення помилок проти моделей LibriSpeech | Стаття: на 55,2 % менше в середньому | Оголошення OpenAI: на 50 % менше | Цитуйте статтю й назвіть порівняння |
| Мови навчання крім англійської | Стаття: 96 інших мов | Картка моделі: 98 мов | «Близько 99 мов» для розпізнавання |
| Години навчання перекладу | Картка: 126 000 | Стаття: 125 000 | Будь-яке як приблизне |
| Параметри turbo | README і Hugging Face: 809 M | Таблиця картки: 798 M | 809 M, число більшості джерел |
| Розмір навчальних даних | Початкова стаття: 680 000 годин | Картка large-v3: 5 мільйонів годин | Вказуйте версію |
| Ліцензія | GitHub: MIT для коду й ваг | Метадані large-v3 на Hugging Face: Apache-2.0 | Перевірте ліцензію завантаженої копії |
Як використовувати Whisper: самостійно, через API або застосунок
Є три практичні шляхи. Самостійний запуск безкоштовний і залишає аудіо на комп'ютері. API OpenAI усуває налаштування, але обмежує розмір файлу. Хмарний застосунок додає редагування, позначки мовців і експорт, але є стороннім сервісом із власними умовами.
| Запуск відкритого Whisper | API транскрибування OpenAI | Хмарний застосунок | |
|---|---|---|---|
| Налаштування | Python, PyTorch і FFmpeg | Код і ключ API | Браузер |
| Вартість | Безкоштовно; власне обладнання | Оплата за використання | Безкоштовний рівень або підписка, залежить від програми |
| Обмеження файлу | Ваше обладнання | 25 МБ на файл | Визначає застосунок |
| Куди йде аудіо | Залишається на комп'ютері | Надсилається OpenAI | Надсилається на сервери застосунку |
| Позначки мовців | Не вбудовано | Немає в whisper-1 | Залежить від застосунку |
| Редагування й експорт | TXT, SRT, VTT, TSV, JSON із командного рядка | Повертається у ваш код; решту створюєте самі | Зазвичай редактор та експорт документів і субтитрів |
Запуск Whisper на власному комп'ютері
README OpenAI наводить команду встановлення й базовий запуск:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Також потрібен FFmpeg; README каже, що код має працювати з Python 3.8–3.11. Додайте --language для мови мовлення або --task translate із багатомовною моделлю для англійської. Ваги завантажуються за першого використання. Whisper CLI тут не встановлений, тому команди не тестувалися.
Використання API OpenAI
Посібник OpenAI з мовлення в текст обмежує завантаження 25 МБ на файл, тому більші файли слід стиснути або розділити. Під час перевірки в листопаді 2026 року посібник позначав whisper-1 як застарілий із датою вимкнення 26 лютого 2027 року та спрямовував розробників до новіших моделей транскрибування. Ці нові моделі — мовленнєві моделі OpenAI, а не нові випуски відкритого сімейства Whisper.
Використання хмарного застосунку
Якщо ви не хочете нічого встановлювати, хмарний застосунок обробляє файли на своїх серверах. whispertranscribe.ai — один із варіантів, а його безкоштовний конвертер аудіо в текст дає змогу швидко спробувати. Головна сторінка описує whispertranscribe.ai як сервіс на Whisper і AI наступного покоління. За нашими сторінками він пропонує:
- Завантаження аудіо чи відео до 5 ГБ і 10 годин або вставлення посилання YouTube, Vimeo, Google Drive чи Dropbox у Transcribe from URL.
- Понад 130 мов із необов'язковим визначенням мовців.
- Живе транскрибування з мікрофона та запис і транскрибування у браузері.
- Експорт DOCX, PDF, SRT, VTT, TXT і CSV, включно із субтитрами з AI-генератора.
- Переклад аудіо англійською для неанглійських записів.
Компроміси реальні. Файл потрапляє до хмарного сервісу, а не залишається на комп'ютері. Ми не пропонуємо API, власний словник або бота для зустрічей. Платні плани починаються від 9,99 долара США/місяць за річної оплати (ціни); можна почати безкоштовно без облікового запису. Докладніше — на сторінці Whisper AI для транскрибування або всіх функцій.
Чи відкритий Whisper і що дозволяє ліцензія?
Так. Репозиторій OpenAI зазначає, що код і ваги Whisper випущено за ліцензією MIT. MIT — дозвільна ліцензія. Загалом вона дозволяє використовувати, копіювати, змінювати й продавати програмне забезпечення на основі коду за умови збереження повідомлення про авторське право й ліцензію.
Два застереження. Копії на інших сайтах можуть мати інші метадані ліцензії; сторінка large-v3 на Hugging Face зазначає Apache-2.0. Прочитайте ліцензію вашої копії. Ліцензія стосується програми, а не записів, які ви їй надаєте. Правила згоди та приватності для аудіо залишаються чинними. Це загальна інформація, не юридична порада; офіційне джерело — текст ліцензії MIT.
Кому підходить Whisper?
Whisper підходить розробникам і всім, хто вміє користуватися терміналом та хоче безкоштовне приватне транскрибування без обмеження сервісу. Якщо потрібен готовий транскрипт із редактором і експортом, хмарний застосунок зазвичай швидший.
| Ви ... | Вдалий вибір | Чому |
|---|---|---|
| Розробник продукту | Відкритий Whisper або API | Повний контроль над процесом |
| Дослідник із конфіденційними інтерв'ю | Відкритий Whisper локально | Аудіо не залишає комп'ютер |
| Автор, якому субтитри потрібні цього тижня | Хмарний застосунок з експортом SRT або VTT | Без налаштування; файли з часом готові до завантаження |
| Користувач ноутбука без GPU | Мала модель локально або хмарний застосунок | Великим моделям потрібно близько 10 ГБ VRAM |
Перш ніж довіряти транскрипту Whisper: контрольний список
Ми створили його за помилками зі статті та картки OpenAI:
- Вибірково перевірте паузи й тишу на речення, яких ніхто не сказав.
- Знайдіть фрази, повторені кілька разів поспіль.
- Звірте перший та останній рядки файлу з аудіо.
- Перевірте імена, числа й технічні терміни.
- Переконайтеся, що мову визначено правильно, або задайте її вручну.
- Для перекладу переконайтеся, що не використовували turbo.
- За потреби додайте позначки мовців окремим інструментом.
- Отримайте згоду до запису або транскрибування інших людей.
Поширені запитання
Whisper AI безкоштовний?
Так, OpenAI Whisper можна безкоштовно завантажити й запустити. OpenAI ліцензує код і ваги за MIT, тож платити OpenAI за їх використання не потрібно. Комп'ютер забезпечуєте ви, а large потребує приблизно 10 ГБ пам'яті GPU. Хмарні варіанти платні: API OpenAI бере плату за використання, а програми мають власні плани. Безкоштовно не означає просто: потрібні Python, FFmpeg і певні навички командного рядка.
Чи може Whisper визначати різних мовців?
Ні, не самостійно. Whisper записує сказане, але не позначає автора слів. Картка OpenAI каже, що можливості на кшталт діаризації не були надійно оцінені. Для позначок Whisper зазвичай поєднують з окремим інструментом або використовують застосунок із визначенням мовців. Наприклад, whispertranscribe.ai має таку опцію перед транскрибуванням. Перевіряйте позначки, коли голоси схожі.
Чи може Whisper транскрибувати в реальному часі?
Не без додаткової роботи. Whisper створений для записаного аудіо й обробляє 30-секундні вікна; картка OpenAI каже, що реальний час потребує додаткових зусиль. Розробники створили інструменти майже реального часу, подаючи короткі фрагменти в міру надходження. Для живих субтитрів шукайте спеціальний живий режим і очікуйте більше виправлень, ніж у транскрипті готового запису.
Скільки мов підтримує Whisper?
Whisper розпізнає близько 99 мов, а поточний токенізатор має 100 кодів після додавання кантонської в large-v3. Якість дуже різниться. Картка OpenAI повідомляє про сильні результати приблизно 10 мовами, а стаття виявила менше 1 000 годин навчального аудіо для більшості мов. Перш ніж покладатися на менш поширену мову, перевірте короткий фрагмент. Показники продуктів, як понад 130 мов whispertranscribe.ai, описують їхню підтримку, а не відкриту модель.
whispertranscribe.ai — це OpenAI Whisper?
Ні. OpenAI Whisper — відкрита модель, яку ви завантажуєте й запускаєте самі. whispertranscribe.ai — окремий браузерний сервіс транскрибування; його головна сторінка описує його як продукт на Whisper та AI наступного покоління. Він додає відсутні в базовій моделі функції, зокрема завантаження до 5 ГБ, імпорт посилань YouTube або Google Drive, визначення мовців і експорт DOCX, PDF, SRT та VTT. Інші застосунки з «Whisper» у назві — окремі продукти окремих компаній.
Чому Whisper іноді пише слова, яких не було?
Тому що прогнозує текст подібно до мовної моделі. Картка OpenAI каже, що навчання на великому обсязі шумних вебданих іноді призводить до слів, відсутніх в аудіо. OpenAI пояснює це поєднанням прогнозу наступного ймовірного слова з транскрибуванням почутого. Дослідження 2024 року знайшло цілі вигадані фрази приблизно в 1 % перевірених транскриптів, частіше біля довгих пауз. Звіряйте паузи, тихі місця та все важливе з аудіо.
Хочете транскрипт Whisper без налаштування? Завантажте файл або вставте посилання у whispertranscribe.ai й отримайте текст понад 130 мовами з експортом DOCX, PDF, SRT і VTT.
Джерела
- OpenAI: Introducing Whisper (21 вересня 2022)
- Radford та ін.: Robust Speech Recognition via Large-Scale Weak Supervision (arXiv 2212.04356)
- OpenAI: Репозиторій Whisper і README на GitHub, картка моделі та ліцензія MIT
- Hugging Face: картка моделі openai/whisper-large-v3
- Документація OpenAI API: Посібник із мовлення в текст (перевірено в листопаді 2026)
- Koenecke та ін.: Careless Whisper: Speech-to-Text Hallucination Harms (arXiv 2402.08021)
