A continuaciónSiguiente guía
Speech Recognition for People with Atypical Speech
IA de audio
GUÍA de IA en audio
Reconocimiento de voz susurrada
Whisper is OpenAI’s multilingual speech-recognition model, trained with large-scale weak supervision on approximately 680,000 hours of web-collected audio.
Escuche esta guíaNarrado por IA · ~1 min
En esta pagina1 minuto de lectura
Descripción general
Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.
Buceo profundo
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.
Implementación en el mundo real
Generación automática de transcripciones y subtítulos con capacidad de búsqueda para podcasts y videos de YouTube
Impulsando aplicaciones de notas de reuniones en vivo que producen resúmenes de audio de Zoom o Teams
Traducción de entrevistas en idiomas extranjeros directamente al inglés para periodistas.
Creación de herramientas de accesibilidad controladas por voz y dictado para usuarios que no pueden escribir
El futuro del reconocimiento de voz susurrada
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.
Poniéndolo en práctica
Por qué es importante
- Acceso y alcance. Mejora la accesibilidad a través de transcripción, narración e interfaces de voz.
- Costo y presupuesto. Los equipos de medios pueden enviar audio pulido más rápido con presupuestos más pequeños.
- Velocidad y escala. Los sistemas de cara al cliente pueden procesar interacciones habladas a mayor escala.
cuidado con
- Los riesgos de uso indebido de voz y suplantación de identidad aumentan cuando falta el consentimiento.
- La precisión puede disminuir según los acentos, los dialectos o los entornos ruidosos.
- El audio sintético puede confundirse con el habla auténtica sin un etiquetado claro.
Próximos pasos
- Obtenga consentimiento explícito para la captura, clonación y reutilización de voz.
- Pruebe la calidad en diversos oradores y condiciones de fondo.
- Defina cuándo un humano debe revisar o aprobar los resultados.
- Etiquete el audio sintético y mantenga registros de procedencia para la rendición de cuentas.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the Whisper Speech Recognition quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es el reconocimiento de voz susurrada?
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.
¿Aproximadamente en cuántas horas de audio se entrenó Whisper?
Whisper se entrenó con aproximadamente 680.000 horas de audio multilingüe y multitarea recopilado de la web, un conjunto de datos inusualmente grande y diverso.
¿Qué representación intermedia calcula Whisper a partir del audio sin procesar antes del codificador?
Whisper convierte cada fragmento de audio de 30 segundos en un espectrograma log-Mel de 80 canales, que procesa el codificador Transformer.
¿Cómo realiza un único modelo de Whisper múltiples tareas como transcripción y traducción?
Susurra condiciones en tokens especiales al inicio de la decodificación que le indican el idioma, la tarea y si se deben emitir marcas de tiempo.
¿Qué arquitectura neuronal general utiliza Whisper?
Whisper es un transformador codificador-decodificador: el codificador lee el espectrograma y el decodificador genera tokens de texto de forma autorregresiva.
¿Por qué se considera que Whisper es especialmente robusto en comparación con los sistemas ASR anteriores?
El entrenamiento con grandes cantidades de audio variado del mundo real (acentos, ruido, diafonía) le dio a Whisper una gran solidez lista para usar sin ajustes por dominio.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.