DalšíDalší průvodce
Rozpoznávání řeči pro lidi s atypickou řečí
Zvuková AI
Zvukový průvodce AI
Whisper je vícejazyčný model pro rozpoznávání řeči od OpenAI, trénovaný pomocí velkoobjemového slabého dozoru na přibližně 680 000 hodinách audia sesbíraného z webu.
Poslechněte si tento návodAI-vyprávěný · ~1 min
Jeho design kodéru-dekodéru podporuje přepis, anglický překlad, identifikaci jazyka a časová razítka, přičemž přesnost se liší podle jazyka, záznamu a úkolu.
Whisper, představený v roce 2022, je kodér a dekodér Transformer vyškolený na přibližně 680 000 hodinách vícejazyčného zvuku spárovaného s přepisy nebo překladovým textem shromážděným z webu. Data jsou mezi jazyky nerovnoměrná a výkon se liší podle jazyka a úkolu. Whisper zpracovává zvuk v 30sekundových blocích a používá tokeny úkolů a jazyků k výběru přepisu, anglického překladu nebo výstupu s časovým razítkem. Uvolněné váhy a odvozený kód jsou pod licencí MIT.
Automatické generování prohledávatelných přepisů a titulků pro podcasty a videa na YouTube
Napájení aplikací pro živé poznámky ze schůzek, které vytvářejí souhrny ze zvuku Zoom nebo Teams
Překlad cizojazyčných rozhovorů přímo do anglického textu pro novináře
Vytváření hlasem ovládaných nástrojů pro usnadnění a diktování pro uživatele, kteří nemohou psát
Vydání Whisper podporuje aplikace pro přepis a titulky. Výkon v reálném světě závisí na jazykovém pokrytí, kvalitě zvuku, přízvuku, slovní zásobě domény a podmínkách hodnocení. Změřte chybovost na reprezentativních záznamech s kontrolou člověkem tam, kde mají přepisy následné použití.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Whisper je vícejazyčný model rozpoznávání řeči OpenAI, trénovaný s rozsáhlým slabým dohledem na přibližně 680 000 hodinách zvuku shromážděného z webu. Jeho design kodéru-dekodéru podporuje přepis, anglický překlad, identifikaci jazyka a časová razítka, přičemž přesnost se liší podle jazyka, záznamu a úkolu.
Whisper byl trénován na přibližně 680 000 hodinách vícejazyčného multitaskového zvuku shromážděného z webu, což je neobvykle velký a rozmanitý soubor dat.
Whisper převádí každý 30sekundový audio blok na 80kanálový log-Mel spektrogram, který kodér Transformer zpracovává.
Na začátku dekódování zašeptejte podmínky na speciální tokeny, které mu sdělí jazyk, úkol a zda má vysílat časová razítka.
Whisper je kodér-dekodér Transformer: kodér čte spektrogram a dekodér generuje textové tokeny autoregresivně.
Trénink na obrovském množství různorodého zvuku z reálného světa (akcenty, šum, přeslechy) poskytl Whisperu silnou robustnost bez ladění pro jednotlivé domény.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Rozpoznávání řeči pro lidi s atypickou řečí
Zvuková AI