পরবর্তী আপপরবর্তী গাইড
Atypical বক্তৃতা সঙ্গে লোকেদের জন্য বক্তৃতা স্বীকৃতি
অডিও এআই
অডিও এআই গাইড
ফিসফিস স্পিচ স্বীকৃতি
Whisper is OpenAI’s multilingual speech-recognition model, trained with large-scale weak supervision on approximately 680,000 hours of web-collected audio.
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~1 min
এই পৃষ্ঠায়1 মিনিট পড়া
ওভারভিউ
Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.
গভীর ডুব
Introduced in 2022, Whisper is a Transformer encoder-decoder trained on approximately 680,000 hours of multilingual audio paired with transcripts or translation text collected from the web. The data is uneven across languages, and performance varies by language and task. Whisper processes audio in 30-second chunks and uses task and language tokens to select transcription, English translation, or timestamped output. Released weights and inference code are under the MIT license.
বাস্তব-বিশ্ব বাস্তবায়ন
পডকাস্ট এবং ইউটিউব ভিডিওগুলির জন্য স্বয়ংক্রিয়ভাবে অনুসন্ধানযোগ্য প্রতিলিপি এবং ক্যাপশন তৈরি করা
লাইভ মিটিং-নোট অ্যাপগুলিকে শক্তিশালী করা যা জুম বা টিম অডিও থেকে সারাংশ তৈরি করে
সাংবাদিকদের জন্য সরাসরি ইংরেজি পাঠ্যে বিদেশী ভাষার সাক্ষাৎকার অনুবাদ করা
টাইপ করতে পারে না এমন ব্যবহারকারীদের জন্য ভয়েস-নিয়ন্ত্রিত অ্যাক্সেসিবিলিটি টুল এবং ডিক্টেশন তৈরি করা
হুইস্পার স্পিচ রিকগনিশনের ভবিষ্যত
Whisper’s release supports transcription and captioning applications. Real-world performance depends on language coverage, audio quality, accents, domain vocabulary, and evaluation conditions. Measure error rates on representative recordings, with human review where transcripts have consequential use.
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- অ্যাক্সেস এবং পৌঁছানো. এটি ট্রান্সক্রিপশন, বর্ণনা এবং ভয়েস ইন্টারফেসের মাধ্যমে অ্যাক্সেসযোগ্যতা উন্নত করে।
- খরচ ও বাজেট. মিডিয়া দলগুলি ছোট বাজেটের সাথে পালিশ করা অডিও দ্রুত পাঠাতে পারে।
- গতি এবং স্কেল. গ্রাহক-মুখী সিস্টেমগুলি বৃহত্তর স্কেলে কথ্য মিথস্ক্রিয়া প্রক্রিয়া করতে পারে।
জন্য সতর্ক
- সম্মতি অনুপস্থিত হলে ভয়েস অপব্যবহার এবং ছদ্মবেশের ঝুঁকি বেড়ে যায়।
- উচ্চারণ, উপভাষা বা কোলাহলপূর্ণ পরিবেশে যথার্থতা হ্রাস পেতে পারে।
- সিন্থেটিক অডিও পরিষ্কার লেবেল ছাড়া খাঁটি বক্তৃতা হিসাবে ভুল হতে পারে।
পরবর্তী পদক্ষেপ
- ভয়েস ক্যাপচার, ক্লোনিং এবং পুনঃব্যবহারের জন্য সুস্পষ্ট সম্মতি পান।
- বিভিন্ন স্পিকার এবং ব্যাকগ্রাউন্ড কন্ডিশন জুড়ে মান পরীক্ষা করুন।
- কখন একজন মানুষকে আউটপুট পর্যালোচনা বা অনুমোদন করতে হবে তা নির্ধারণ করুন।
- সিন্থেটিক অডিও লেবেল করুন এবং দায়বদ্ধতার জন্য মূল রেকর্ড রাখুন।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the Whisper Speech Recognition quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
হুইস্পার স্পিচ রিকগনিশন কি?
Whisper is OpenAI’s multilingual speech-recognition model, trained with large-scale weak supervision on approximately 680,000 hours of web-collected audio. Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.
মোটামুটিভাবে কত ঘণ্টার অডিও হুইস্পারকে প্রশিক্ষণ দেওয়া হয়েছিল?
হুইস্পারকে ওয়েব থেকে সংগ্রহ করা প্রায় 680,000 ঘন্টা বহুভাষিক, মাল্টিটাস্ক অডিওতে প্রশিক্ষণ দেওয়া হয়েছিল, একটি অস্বাভাবিকভাবে বড় এবং বৈচিত্র্যময় ডেটাসেট।
এনকোডারের আগে Whisper কাঁচা অডিও থেকে কোন মধ্যবর্তী উপস্থাপনা গণনা করে?
হুইস্পার প্রতিটি 30-সেকেন্ডের অডিও খণ্ডকে একটি 80-চ্যানেল লগ-মেল স্পেকট্রোগ্রামে রূপান্তর করে, যা ট্রান্সফরমার এনকোডার প্রক্রিয়া করে।
কিভাবে একটি একক হুইস্পার মডেল ট্রান্সক্রিপশন এবং অনুবাদের মত একাধিক কাজ সম্পাদন করে?
ডিকোডিংয়ের শুরুতে বিশেষ টোকেনগুলিতে ফিসফিস করে শর্তগুলি যা এটিকে ভাষা, কাজ এবং টাইমস্ট্যাম্প নির্গত করবে কিনা তা বলে।
হুইস্পার কোন সামগ্রিক নিউরাল আর্কিটেকচার ব্যবহার করে?
হুইস্পার হল একটি এনকোডার-ডিকোডার ট্রান্সফরমার: এনকোডার স্পেকট্রোগ্রাম পড়ে এবং ডিকোডার স্বয়ংক্রিয়ভাবে পাঠ্য টোকেন তৈরি করে।
কেন হুইস্পারকে আগের ASR সিস্টেমের তুলনায় বিশেষভাবে শক্তিশালী বলে মনে করা হয়?
প্রচুর পরিমাণে বৈচিত্র্যময়, বাস্তব-বিশ্বের অডিও (অ্যাকসেন্ট, নয়েজ, ক্রসস্ট্যাক) প্রশিক্ষণ প্রতি-ডোমেন টিউনিং ছাড়াই হুইস্পারকে শক্তিশালী আউট-অফ-দ্য-বক্স শক্তিশালীতা দিয়েছে।
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড