À suivreGuide suivant
Reconnaissance vocale pour les personnes ayant une parole atypique
IA audio
GUIDE de l'IA audio
Reconnaissance vocale chuchotée
Whisper is OpenAI’s multilingual speech-recognition model, trained with large-scale weak supervision on approximately 680,000 hours of web-collected audio.
Écoutez ce guideNarré par l'IA · ~1 min
Sur cette page1 minute de lecture
Aperçu
Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.
Plongée profonde
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.
Mise en œuvre dans le monde réel
Génération automatique de transcriptions et de sous-titres consultables pour les podcasts et les vidéos YouTube
Alimenter des applications de notes de réunion en direct qui produisent des résumés à partir de l'audio Zoom ou Teams
Traduire des interviews en langue étrangère directement en texte anglais pour les journalistes
Création d'outils d'accessibilité à commande vocale et de dictée pour les utilisateurs qui ne savent pas taper
L'avenir de la reconnaissance vocale chuchotée
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.
Le mettre en pratique
Pourquoi c'est important
- Accès et portée. Il améliore l'accessibilité grâce à la transcription, à la narration et aux interfaces vocales.
- Coût et budget. Les équipes médias peuvent produire un son de qualité plus rapidement avec des budgets plus réduits.
- Vitesse et échelle. Les systèmes orientés client peuvent traiter les interactions orales à plus grande échelle.
Attention à
- Les risques d’utilisation abusive de la voix et d’usurpation d’identité augmentent lorsque le consentement fait défaut.
- La précision peut chuter en fonction des accents, des dialectes ou des environnements bruyants.
- L’audio synthétique peut être confondu avec une parole authentique sans étiquetage clair.
Prochaines étapes
- Obtenez un consentement explicite pour la capture vocale, le clonage et la réutilisation.
- Testez la qualité sur divers locuteurs et conditions d’arrière-plan.
- Définissez quand un humain doit examiner ou approuver les résultats.
- Étiquetez l’audio synthétique et conservez des enregistrements de provenance pour des raisons de responsabilité.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Whisper Speech Recognition quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
What is Whisper Speech Recognition?
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.
Environ combien d’heures d’audio Whisper a-t-il été formé ?
Whisper a été formé sur environ 680 000 heures d’audio multitâche et multilingue collectées sur le Web, un ensemble de données inhabituellement vaste et diversifié.
Quelle représentation intermédiaire Whisper calcule-t-il à partir de l'audio brut avant l'encodeur ?
Whisper convertit chaque morceau audio de 30 secondes en un spectrogramme log-Mel à 80 canaux, que l'encodeur Transformer traite.
Comment un seul modèle Whisper effectue-t-il plusieurs tâches telles que la transcription et la traduction ?
Chuchotez des conditions sur des jetons spéciaux au début du décodage qui lui indiquent la langue, la tâche et s'il faut émettre des horodatages.
Quelle architecture neuronale globale Whisper utilise-t-il ?
Whisper est un transformateur codeur-décodeur : l'encodeur lit le spectrogramme et le décodeur génère des jetons de texte de manière autorégressive.
Pourquoi Whisper est-il considéré comme particulièrement robuste par rapport aux systèmes ASR précédents ?
La formation sur d'énormes quantités d'audio variés et réels (accents, bruit, diaphonie) a donné à Whisper une forte robustesse prête à l'emploi sans réglage par domaine.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet