SelanjutnyaPanduan berikutnya
Speech Recognition for People with Atypical Speech
AI Audio
PANDUAN Audio AI
Pengenalan Ucapan Bisikan
Whisper adalah model pengenalan ucapan multibahasa OpenAI, yang dilatih dengan pengawasan lemah berskala besar pada sekitar 680.000 jam audio yang dikumpulkan dari web.
Dengarkan panduan iniDiceritakan oleh AI · ~1 min
Di halaman ini1 menit baca
Ikhtisar
Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.
Menyelam Lebih Dalam
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.
Implementasi Dunia Nyata
Menghasilkan transkrip dan teks yang dapat dicari secara otomatis untuk podcast dan video YouTube
Mendukung aplikasi catatan rapat langsung yang menghasilkan ringkasan dari audio Zoom atau Teams
Menerjemahkan wawancara berbahasa asing langsung ke dalam teks bahasa Inggris untuk jurnalis
Membangun alat aksesibilitas dan dikte yang dikontrol suara untuk pengguna yang tidak bisa mengetik
Masa Depan Pengenalan Ucapan Bisikan
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.
Mempraktikkannya
Mengapa itu penting
- Akses dan jangkauan. Ini meningkatkan aksesibilitas melalui transkripsi, narasi, dan antarmuka suara.
- Biaya dan anggaran. Tim media dapat mengirimkan audio yang bagus lebih cepat dengan anggaran lebih kecil.
- Kecepatan dan skala. Sistem yang berhubungan dengan pelanggan dapat memproses interaksi lisan dalam skala yang lebih besar.
Hati-hati
- Risiko penyalahgunaan suara dan peniruan identitas meningkat jika tidak ada persetujuan.
- Akurasi dapat menurun pada aksen, dialek, atau lingkungan yang bising.
- Audio sintetis dapat disalahartikan sebagai ucapan asli tanpa label yang jelas.
Langkah selanjutnya
- Dapatkan persetujuan eksplisit untuk pengambilan suara, kloning, dan penggunaan kembali.
- Uji kualitas di beragam speaker dan kondisi latar belakang.
- Tentukan kapan manusia harus meninjau atau menyetujui keluaran.
- Beri label pada audio sintetis dan simpan catatan asalnya untuk akuntabilitas.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Whisper Speech Recognition quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
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.
Kira-kira berapa jam audio yang dilatih Whisper?
Whisper dilatih menggunakan sekitar 680.000 jam audio multibahasa dan multitask yang dikumpulkan dari web, kumpulan data yang luar biasa besar dan beragam.
Representasi perantara apa yang dihitung Whisper dari audio mentah sebelum encoder?
Whisper mengubah setiap potongan audio berdurasi 30 detik menjadi spektogram log-Mel 80 saluran, yang diproses oleh pembuat enkode Transformer.
Bagaimana model Whisper tunggal melakukan banyak tugas seperti transkripsi dan terjemahan?
Kondisi bisikan pada token khusus di awal decoding yang memberitahukan bahasa, tugas, dan apakah akan mengeluarkan stempel waktu.
Arsitektur saraf keseluruhan apa yang digunakan Whisper?
Whisper adalah Transformer encoder-decoder: encoder membaca spektogram dan decoder menghasilkan token teks secara otomatis.
Mengapa Whisper dianggap sangat tangguh dibandingkan sistem ASR sebelumnya?
Pelatihan pada beragam audio dunia nyata (aksen, noise, crosstalk) dalam jumlah besar memberi Whisper ketahanan yang luar biasa tanpa penyetelan per domain.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini