Whisper AI là gì? Cách mô hình nhận dạng giọng nói của OpenAI hoạt động

Bởi Ban biên tập whispertranscribe.ai · Cập nhật lần cuối: tháng 11 năm 2026 · 13 phút đọc

Whisper AI là gì? Trong phần lớn lượt tìm kiếm, tên này chỉ OpenAI Whisper, một mô hình nhận dạng giọng nói mã nguồn mở được OpenAI công bố vào tháng 9 năm 2022. Nó chuyển lời nói đã ghi thành văn bản, xác định ngôn ngữ và có thể dịch các ngôn ngữ khác sang tiếng Anh. OpenAI huấn luyện mô hình bằng 680.000 giờ âm thanh trên web và phát hành mã cùng trọng số theo giấy phép MIT.

Xin nói rõ: chúng tôi phát triển whispertranscribe.ai. whispertranscribe.ai là công cụ phiên âm AI trên web, chuyển âm thanh và video thành văn bản bằng hơn 130 ngôn ngữ. Hướng dẫn này phân biệt rõ mô hình với những sản phẩm xây dựng xung quanh nó; mọi con số về mô hình đều lấy từ bài nghiên cứu, kho mã hoặc thẻ mô hình của OpenAI.

Trả lời nhanh: Whisper AI là gì?

Whisper là mô hình chuyển giọng nói thành văn bản, không phải ứng dụng hay công ty. Bạn có thể tải từ kho GitHub của OpenAI và chạy trên máy của mình, hoặc dùng dịch vụ chạy mô hình thay bạn.

  • Nhà phát triển: OpenAI. Bài nghiên cứu Robust Speech Recognition via Large-Scale Weak Supervision được đăng trên arXiv ngày 6 tháng 12 năm 2022.
  • Chức năng: phiên âm lời nói, phát hiện ngôn ngữ, dịch lời nói sang tiếng Anh và thêm dấu thời gian theo đoạn.
  • Không có sẵn: gắn nhãn người nói hoặc phiên âm trực tiếp. Thẻ mô hình của OpenAI nói rằng nó không thể phiên âm thời gian thực ngay khi cài đặt.
  • Kích thước: sáu loại, từ tiny (39 triệu tham số) đến large (1.550 triệu).
  • Chi phí: tải và chạy miễn phí. Bạn tự cung cấp phần cứng.

“Whisper AI” có thể chỉ ba thứ khác nhau

Tên này được dùng khá rộng và ba ý nghĩa sau dễ bị nhầm lẫn.

Tên gọi “Whisper AI” Bản chất Nhà phát triển Cách sử dụng
OpenAI Whisper Mô hình nhận dạng giọng nói mã nguồn mở OpenAI Tải mã và trọng số, tự chạy
whisper-1 Mô hình API phiên âm do OpenAI lưu trữ OpenAI Gửi tệp âm thanh tới API OpenAI và trả phí theo mức dùng
Ứng dụng có “Whisper” trong tên Sản phẩm phiên âm như whisperai.com và whispertranscribe.ai (trang này) Các công ty riêng biệt Tải lên hoặc ghi âm trong ứng dụng

Các sản phẩm ở hàng thứ ba không phải bản thân mô hình và không thể thay thế tùy ý cho nhau. Mỗi công ty tự đặt tính năng, giới hạn, giá và điều khoản quyền riêng tư. Trong bài này, “Whisper” chỉ mô hình của OpenAI.

Whisper hoạt động như thế nào?

Whisper là Transformer mã hóa–giải mã. Bộ mã hóa chuyển 30 giây âm thanh thành biểu diễn số, còn bộ giải mã viết văn bản tương ứng từng token một, theo các token đặc biệt cho biết tác vụ cần thực hiện.

Bài nghiên cứu Whisper mô tả quy trình:

  1. Lấy mẫu lại. Âm thanh được chuyển sang 16.000 Hz.
  2. Chia thành các cửa sổ 30 giây. Mô hình luôn xét 30 giây mỗi lần. Đoạn ngắn hơn được đệm thêm.
  3. Tạo phổ đồ. Mỗi cửa sổ thành phổ đồ log-Mel 80 kênh, biểu diễn năng lượng âm thanh theo tần số, tính trên khung 25 mili giây mỗi 10 mili giây. (Large-v3 chuyển sang 128 kênh.)
  4. Mã hóa. Hai lớp tích chập và một chồng khối Transformer xử lý phổ đồ.
  5. Giải mã. Bộ giải mã trước tiên dự đoán ngôn ngữ hoặc token “không có lời nói”. Tiếp theo là tác vụ (phiên âm hay dịch), lựa chọn dấu thời gian và cuối cùng là văn bản.

Dấu thời gian cũng được dự đoán dưới dạng token, làm tròn đến 20 mili giây gần nhất. Nhờ đó một mô hình xử lý phát hiện ngôn ngữ, phiên âm, dịch và thời gian.

Whisper được huấn luyện bằng dữ liệu gì?

Các mô hình ban đầu học từ 680.000 giờ âm thanh trên internet kèm bản phiên âm tương ứng. OpenAI gọi đây là “giám sát yếu” vì các bản phiên âm không được kiểm tra thủ công như bộ dữ liệu chuẩn.

Tỷ lệ âm thanh huấn luyện Số giờ Nội dung
Khoảng 65% 438.000 Âm thanh tiếng Anh với bản phiên âm tiếng Anh
Khoảng 18% 126.000 Âm thanh không phải tiếng Anh với bản phiên âm tiếng Anh (dữ liệu dịch)
Khoảng 17% 117.000 Âm thanh không phải tiếng Anh với bản phiên âm cùng ngôn ngữ

Nguồn: thẻ mô hình Whisper của OpenAI. Bài nghiên cứu làm tròn phần dữ liệu dịch thành 125.000 giờ.

Hai chi tiết giải thích nhiều đặc điểm của Whisper. OpenAI lọc bỏ bản phiên âm có vẻ do máy tạo, như văn bản toàn chữ hoa, nên mô hình học viết câu có dấu câu. Các mô hình đầu tiên cũng hay đoán tên người nói vì nhiều bản phiên âm trên web có tên. OpenAI tinh chỉnh để giảm thói quen đó, nhưng nó cho thấy mô hình phản ánh dữ liệu huấn luyện sát đến mức nào.

Large-v3 được huấn luyện khác, trên khoảng 5 triệu giờ: 1 triệu giờ có nhãn web giám sát yếu và 4 triệu giờ được large-v2 gắn nhãn, theo thẻ mô hình Hugging Face.

So sánh kích thước mô hình Whisper

Whisper có sáu kích thước. Mô hình nhỏ chạy nhanh hơn trên phần cứng vừa phải; mô hình lớn ít lỗi hơn nhưng cần nhiều bộ nhớ video (VRAM) hơn. Các số liệu dưới đây được lấy từ README của OpenAI.

Kích thước Tham số Bản chỉ tiếng Anh Bản đa ngôn ngữ VRAM cần thiết Tốc độ so với 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 Không có large ~10 GB 1x
turbo 809 M Không có turbo ~6 GB ~8x

OpenAI đo tốc độ này trên lời nói tiếng Anh bằng GPU trung tâm dữ liệu A100 và cho biết tốc độ thực tế có thể khác biệt đáng kể. Máy tính xách tay sẽ chậm hơn.

Nên chọn mô hình Whisper nào?

Hãy bắt đầu từ bộ nhớ sẵn có và mục đích sử dụng bản phiên âm:

  • Thử nghiệm trên máy cơ bản: tiny hoặc base, khoảng 1 GB VRAM. Sẽ có nhiều lỗi hơn.
  • Chỉ tiếng Anh: dùng mô hình .en. OpenAI cho biết chúng hoạt động tốt hơn, đặc biệt ở kích thước tiny và base.
  • Chất lượng tốt với tốc độ hợp lý: turbo, khoảng 6 GB. Đây là mặc định của dòng lệnh.
  • Dịch lời nói sang tiếng Anh: medium hoặc large. Turbo không được huấn luyện để dịch và trả lại ngôn ngữ gốc ngay cả khi yêu cầu dịch.
  • Âm thanh khó nhất, kết quả tốt nhất: large, khoảng 10 GB VRAM.

Các phiên bản Whisper: dòng thời gian ngắn

“Large” có ba bản phát hành, còn turbo là large-v3 được rút gọn. Phiên bản quan trọng vì kết quả khác nhau theo từng checkpoint.

Phiên bản Phát hành Thay đổi
Mô hình ban đầu (tiny đến large) Tháng 9 năm 2022 Bản mã nguồn mở đầu tiên cùng bài nghiên cứu
large-v2 Tháng 12 năm 2022 Cùng kích thước, huấn luyện lâu hơn 2,5 lần với regularization bổ sung
large-v3 Tháng 11 năm 2023 128 kênh Mel, token tiếng Quảng Đông mới, ít lỗi hơn v2 từ 10% đến 20% trên nhiều ngôn ngữ
turbo (large-v3-turbo) Tháng 9 năm 2024 Giảm lớp giải mã từ 32 xuống 4 để tăng tốc; không dịch

Nguồn: thẻ mô hình Whisper, chú thích về large-v2 trong bài nghiên cứu và thẻ Hugging Face của large-v3 và large-v3-turbo.

Whisper hỗ trợ bao nhiêu ngôn ngữ?

Whisper nhận dạng khoảng 99 ngôn ngữ. Bộ phát hiện ngôn ngữ trong bài nghiên cứu dùng 99 token ngôn ngữ, còn tokenizer hiện tại liệt kê 100 mã sau khi large-v3 thêm tiếng Quảng Đông. Tuy nhiên, hỗ trợ không đồng nghĩa với chất lượng: thẻ mô hình cho biết Whisper cho kết quả tốt ở “~10 ngôn ngữ”.

Chất lượng liên quan tới dữ liệu huấn luyện. Bài nghiên cứu nhận thấy số giờ mô hình được tiếp xúc dự đoán rất tốt hiệu suất theo ngôn ngữ, và phần lớn ngôn ngữ có dưới 1.000 giờ. Tiếng Anh, Tây Ban Nha hoặc Đức thường cho kết quả rõ hơn ngôn ngữ ít tài nguyên. README liên kết đến biểu đồ lỗi theo ngôn ngữ nếu bạn muốn kiểm tra.

Đừng nhầm với con số của sản phẩm. whispertranscribe.ai hỗ trợ hơn 130 ngôn ngữ. Đây là mức hỗ trợ của sản phẩm chúng tôi (trang giá ghi “hơn 130 ngôn ngữ và giọng”), không phải thuộc tính của mô hình Whisper mã nguồn mở.

Whisper chính xác đến đâu?

Không có một con số chính xác chung cho Whisper vì kết quả phụ thuộc kích thước mô hình, ngôn ngữ và bản ghi. Với tiếng Anh đọc rõ, large-v2 đạt tỷ lệ lỗi từ (WER) 2,7%. Trung bình trên 14 bộ kiểm tra tiếng Anh, phần lớn khó hơn, tỷ lệ là 12,8%.

WER là tỷ lệ từ hệ thống nhận sai, tính cả từ bị thay thế, bỏ sót hoặc thêm vào so với bản tham chiếu do người tạo. Càng thấp càng tốt. Số liệu sau từ Bảng 2 của bài nghiên cứu, so sánh Whisper large-v2 với mô hình wav2vec 2.0 được huấn luyện trên bộ sách nói LibriSpeech:

Bộ kiểm tra WER wav2vec 2.0 WER Whisper large-v2
LibriSpeech clean (sách nói được đọc) 2.7% 2.7%
Common Voice (giọng nói do cộng đồng ghi) 29.9% 9.0%
CHiME-6 (bản ghi tiệc tối có tiếng ồn) 65.8% 25.5%
Trung bình cả 14 bộ trong bảng 29.3% 12.8%

Điểm quan trọng là xu hướng. Hai mô hình bằng nhau ở bài kiểm tra sách nói, nhưng Whisper hoạt động tốt hơn nhiều ở các bộ còn lại, trung bình ít lỗi hơn 55,2%. Thông báo của OpenAI làm tròn thành “ít hơn 50% lỗi”. Trong các phép thử tiếng ồn của bài nghiên cứu, mô hình huấn luyện trên LibriSpeech tốt hơn Whisper với âm thanh gần như sạch nhưng kém hơn khi tiếng ồn nền kiểu quán rượu tăng cao, dưới tỷ lệ tín hiệu trên nhiễu 10 dB.

Đây là các bài kiểm tra nghiên cứu, không phải cam kết cho tệp của bạn; các tuyên bố sản phẩm là riêng biệt. Ví dụ whispertranscribe.ai đạt độ chính xác tới 99% trên âm thanh rõ, và tiếng ồn, lời nói chồng cùng giọng địa phương đậm làm giảm độ chính xác.

Whisper có những hạn chế gì?

Điểm yếu chính của Whisper là có thể viết văn bản trôi chảy mà không ai nói. Thẻ mô hình của OpenAI gọi đó là ảo giác và liên hệ với cách huấn luyện giám sát yếu. Thẻ cũng liệt kê việc lặp lại, độ chính xác không đồng đều giữa ngôn ngữ và giọng, và không có sẵn nhãn người nói.

  1. Văn bản ảo giác. Trong nghiên cứu năm 2024 Careless Whisper, các nhà nghiên cứu thấy khoảng 1% bản phiên âm được kiểm tra chứa cả cụm hoặc câu không có trong âm thanh. Ảo giác xảy ra thường xuyên hơn quanh các khoảng ngừng dài.
  2. Vòng lặp. Mô hình có thể mắc kẹt và lặp lại một cụm từ. Theo thẻ mô hình, beam search và temperature fallback giảm hiện tượng này ở một mức độ nhưng không hoàn toàn.
  3. Bỏ sót từ đầu hoặc cuối. Bài nghiên cứu liệt kê việc bỏ qua vài từ đầu hoặc cuối đoạn là lỗi đã biết.
  4. Bản ghi dài cần chia cửa sổ. Whisper chỉ xét 30 giây mỗi lần. Với tệp dài hơn, công cụ phiên âm trượt cửa sổ theo dấu thời gian dự đoán, nên lỗi ở cửa sổ này có thể ảnh hưởng cửa sổ tiếp theo.
  5. Không có nhãn người nói. Theo thẻ mô hình, diarization, tức xác định ai nói khi nào, chưa được đánh giá kỹ. Bạn cần công cụ riêng.
  6. Không trực tiếp theo mặc định. Mô hình được xây dựng cho tệp đã ghi. Phụ đề trực tiếp cần kỹ thuật bổ sung.
  7. Không đồng đều theo ngôn ngữ và giọng. Thẻ mô hình ghi nhận tỷ lệ lỗi cao hơn ở một số giọng, phương ngữ và nhóm nhân khẩu học.

OpenAI cũng cảnh báo không phiên âm người khác khi chưa có sự đồng ý và không dùng cho việc ra quyết định có rủi ro cao.

Khi các nguồn chính thức không thống nhất

Một số số liệu khác nhau giữa chính tài liệu của OpenAI, chủ yếu do làm tròn hoặc thay đổi phiên bản. Hãy kiểm tra trước khi trích dẫn:

Chủ đề Một nguồn chính thức Nguồn khác Nên dùng
Giảm lỗi so với mô hình LibriSpeech Bài nghiên cứu: trung bình ít lỗi hơn 55.2% Thông báo OpenAI: ít lỗi hơn 50% Trích bài nghiên cứu và nêu phép so sánh
Ngôn ngữ huấn luyện ngoài tiếng Anh Bài nghiên cứu: 96 ngôn ngữ khác Thẻ mô hình: 98 ngôn ngữ “Khoảng 99 ngôn ngữ” cho nhận dạng
Giờ huấn luyện dịch Thẻ mô hình: 126,000 Bài nghiên cứu: 125,000 Dùng một trong hai và ghi là xấp xỉ
Số tham số Turbo README và Hugging Face: 809 M Bảng thẻ mô hình: 798 M 809 M, số được phần lớn nguồn dùng
Quy mô dữ liệu huấn luyện Bài gốc: 680,000 giờ Thẻ Large-v3: 5 triệu giờ Nêu rõ phiên bản
Giấy phép GitHub: MIT cho mã và trọng số Siêu dữ liệu large-v3 trên Hugging Face: Apache-2.0 Kiểm tra tệp giấy phép của bản tải về

Cách dùng Whisper: tự chạy, gọi API hoặc dùng ứng dụng

Có ba cách thực tế. Tự chạy Whisper miễn phí và giữ âm thanh trên máy. API OpenAI không cần thiết lập mô hình nhưng giới hạn kích thước tệp. Ứng dụng phiên âm lưu trữ thêm chỉnh sửa, nhãn người nói và xuất tệp, nhưng là dịch vụ bên thứ ba có điều khoản riêng.

Tự chạy Whisper mã nguồn mở API phiên âm OpenAI Ứng dụng phiên âm lưu trữ
Thiết lập Python, PyTorch và FFmpeg Mã và khóa API Trình duyệt
Chi phí Miễn phí; dùng phần cứng của bạn Trả theo mức sử dụng Gói miễn phí hoặc đăng ký, tùy ứng dụng
Giới hạn tệp Theo phần cứng 25 MB mỗi tệp Từng ứng dụng quy định
Âm thanh đi đâu Ở lại máy của bạn Gửi tới OpenAI Gửi tới máy chủ ứng dụng
Nhãn người nói Không tích hợp Không có trong whisper-1 Tùy ứng dụng
Chỉnh sửa và xuất TXT, SRT, VTT, TSV, JSON từ dòng lệnh Trả về mã của bạn; bạn tự xây phần còn lại Thường có trình chỉnh sửa và xuất tài liệu, phụ đề

Chạy Whisper trên máy của bạn

README của OpenAI đưa ra lệnh cài đặt và chạy cơ bản:

pip install -U openai-whisper
whisper interview.mp3 --model turbo

Bạn cũng cần cài FFmpeg; README cho biết mã chạy được trên Python 3.8 đến 3.11. Thêm --language để chỉ định ngôn ngữ nói, hoặc --task translate với mô hình đa ngôn ngữ để nhận tiếng Anh. Trọng số mô hình được tải xuống lần đầu sử dụng.

Dùng API OpenAI

Hướng dẫn speech-to-text của OpenAI giới hạn 25 MB mỗi tệp, vì vậy hãy nén hoặc chia tệp lớn hơn. Theo kiểm tra tháng 11 năm 2026, hướng dẫn đánh dấu whisper-1 là ngừng khuyến nghị và nêu ngày ngừng hoạt động 26 tháng 2 năm 2027, hướng nhà phát triển tới các mô hình phiên âm mới hơn. Những mô hình mới đó là mô hình giọng nói của OpenAI, không phải bản phát hành mới của họ Whisper mã nguồn mở.

Dùng ứng dụng phiên âm lưu trữ

Nếu không muốn cài đặt, ứng dụng lưu trữ sẽ xử lý tệp trên máy chủ. whispertranscribe.ai là một lựa chọn và công cụ chuyển âm thanh thành văn bản miễn phí là cách thử nhanh. Trang chủ mô tả whispertranscribe.ai hoạt động nhờ Whisper và AI thế hệ mới. Theo các trang sản phẩm của chúng tôi, ứng dụng cung cấp:

Có những đánh đổi thực tế. Tệp được gửi tới dịch vụ đám mây thay vì ở trên máy của bạn. Chúng tôi không cung cấp API, từ vựng tùy chỉnh hoặc bot họp. Gói trả phí từ $9.99/tháng khi thanh toán hằng năm (bảng giá), và bạn có thể bắt đầu miễn phí không cần tài khoản. Xem trang công cụ phiên âm Whisper AI hoặc tất cả tính năng để biết chi tiết.

Whisper có mã nguồn mở không và giấy phép cho phép gì?

Có. Kho mã của OpenAI nêu rằng mã và trọng số mô hình Whisper được phát hành theo giấy phép MIT. MIT là giấy phép cho phép rộng rãi. Nói chung, bạn có thể dùng, sao chép, sửa đổi và bán phần mềm xây dựng trên mã đó, miễn giữ thông báo bản quyền và giấy phép.

Có hai lưu ý. Bản sao trên trang khác có thể mang siêu dữ liệu giấy phép khác; trang large-v3 của Hugging Face ghi Apache-2.0. Hãy đọc giấy phép đi kèm bản bạn dùng. Giấy phép áp dụng cho phần mềm, không phải bản ghi bạn đưa vào. Quy định về sự đồng ý và quyền riêng tư vẫn áp dụng cho âm thanh. Đây là thông tin chung, không phải tư vấn pháp lý; văn bản giấy phép MIT là nguồn chính thức.

Whisper dành cho ai?

Whisper phù hợp với nhà phát triển và người quen dùng terminal muốn phiên âm miễn phí, riêng tư, không giới hạn. Nếu muốn bản phiên âm hoàn chỉnh với trình chỉnh sửa và xuất tệp, ứng dụng lưu trữ thường nhanh hơn.

Bạn là… Lựa chọn phù hợp Lý do
Nhà phát triển xây dựng sản phẩm Whisper mã nguồn mở hoặc API Toàn quyền kiểm soát quy trình
Nhà nghiên cứu có phỏng vấn nhạy cảm Whisper mã nguồn mở chạy cục bộ Âm thanh không rời máy
Nhà sáng tạo cần phụ đề trong tuần Ứng dụng lưu trữ xuất SRT hoặc VTT Không cần cài đặt; tệp có thời gian sẵn để tải lên
Người dùng laptop không có GPU Mô hình nhỏ chạy cục bộ hoặc ứng dụng lưu trữ Mô hình lớn cần khoảng 10 GB VRAM

Danh sách kiểm tra trước khi tin vào bản phiên âm Whisper

Chúng tôi xây dựng danh sách này từ các lỗi được nêu trong bài nghiên cứu và thẻ mô hình của OpenAI:

  • Kiểm tra các khoảng ngừng và im lặng để tìm câu không ai nói.
  • Tìm cụm từ bị lặp lại nhiều lần liên tiếp.
  • Đối chiếu dòng đầu và cuối tệp với âm thanh.
  • Xác minh tên, số và thuật ngữ chuyên ngành.
  • Xác nhận ngôn ngữ được phát hiện đúng hoặc đặt thủ công.
  • Khi dịch, bảo đảm bạn không dùng turbo.
  • Thêm nhãn người nói bằng công cụ riêng nếu cần.
  • Xin sự đồng ý cần thiết và phép của người tổ chức trước khi ghi âm; xin sự đồng ý trước khi phiên âm người khác và tuân thủ lệnh cấm ghi âm.

Câu hỏi thường gặp

Whisper AI có miễn phí không?

Có, OpenAI Whisper được tải xuống và chạy miễn phí. OpenAI cấp phép mã và trọng số theo MIT nên bạn có thể dùng mà không trả tiền cho OpenAI. Tuy nhiên, bạn tự cung cấp máy tính và mô hình large cần khoảng 10 GB bộ nhớ GPU. Các lựa chọn lưu trữ có tính phí: API OpenAI tính theo mức sử dụng, còn ứng dụng phiên âm tự đặt gói. “Miễn phí” cũng không có nghĩa là dễ: bạn cần Python, FFmpeg và khả năng dùng dòng lệnh.

Whisper có thể phân biệt người nói không?

Không thể tự làm điều đó. Whisper viết lại nội dung nhưng không gắn nhãn người nói. Thẻ mô hình OpenAI cho biết các khả năng như phân tách người nói chưa được đánh giá kỹ. Để có nhãn, người dùng thường kết hợp Whisper với công cụ diarization riêng hoặc dùng ứng dụng phiên âm có phát hiện người nói. Ví dụ whispertranscribe.ai có tùy chọn phát hiện người nói trước khi phiên âm. Luôn kiểm tra nhãn khi giọng trong bản ghi giống nhau.

Whisper có thể phiên âm theo thời gian thực không?

Không có sẵn. Whisper được thiết kế cho âm thanh đã ghi và xử lý theo cửa sổ 30 giây; thẻ mô hình OpenAI nói rằng cần xử lý bổ sung để phiên âm thời gian thực. Các nhà phát triển đã xây công cụ gần thời gian thực bằng cách đưa từng đoạn ngắn vào khi nhận được. Nếu cần phụ đề trực tiếp, hãy tìm công cụ có chế độ trực tiếp riêng và dự kiến phải sửa nhiều hơn bản phiên âm từ bản ghi hoàn chỉnh.

Whisper hỗ trợ bao nhiêu ngôn ngữ?

Whisper nhận dạng khoảng 99 ngôn ngữ; tokenizer hiện tại liệt kê 100 mã ngôn ngữ sau khi large-v3 thêm tiếng Quảng Đông. Chất lượng khác nhau đáng kể. Thẻ mô hình OpenAI báo cáo kết quả tốt ở khoảng 10 ngôn ngữ, còn bài nghiên cứu cho thấy phần lớn ngôn ngữ có dưới 1.000 giờ âm thanh huấn luyện. Trước khi dựa vào ngôn ngữ ít phổ biến, hãy thử một đoạn ngắn. Các số liệu sản phẩm như hơn 130 ngôn ngữ của whispertranscribe.ai mô tả hỗ trợ riêng của sản phẩm, không phải mô hình mã nguồn mở.

whispertranscribe.ai có giống OpenAI Whisper không?

Không. OpenAI Whisper là mô hình mã nguồn mở bạn tự tải và chạy. whispertranscribe.ai là dịch vụ phiên âm trên trình duyệt riêng biệt; trang chủ mô tả dịch vụ được vận hành bởi Whisper và AI thế hệ mới. Nó bổ sung những thứ mô hình thô không có, như tải lên tới 5GB, nhập liên kết YouTube hoặc Google Drive, phát hiện người nói và xuất DOCX, PDF, SRT và VTT. Các ứng dụng khác có “Whisper” trong tên là sản phẩm riêng của các công ty riêng.

Tại sao Whisper đôi khi viết những từ không ai nói?

Vì nó dự đoán văn bản theo cách của mô hình ngôn ngữ. Thẻ mô hình OpenAI cho biết dữ liệu web lớn và nhiễu khiến mô hình đôi khi tạo ra từ không có trong âm thanh. OpenAI giải thích rằng mô hình kết hợp dự đoán từ tiếp theo có khả năng xuất hiện với phiên âm điều nó nghe. Một nghiên cứu năm 2024 thấy các cụm hoàn toàn bịa ra trong khoảng 1% bản phiên âm được kiểm tra, thường hơn ở khoảng ngừng dài. Hãy đối chiếu khoảng ngừng, đoạn yên tĩnh và mọi nội dung quan trọng với âm thanh.


Muốn có bản phiên âm Whisper mà không cần cài đặt? Tải tệp hoặc dán liên kết vào whispertranscribe.ai để nhận văn bản hơn 130 ngôn ngữ và xuất DOCX, PDF, SRT và VTT.

Tài liệu tham khảo

Bạn muốn chuyển bản ghi của mình thành văn bản?

Chuyển lời nói trong tệp âm thanh và video thành văn bản bằng whispertranscribe.ai.

Bắt đầu chuyển thành văn bản ↗