SeterusnyaPanduan seterusnya
Pengiktirafan Pertuturan untuk Orang dengan Pertuturan Tidak Tipikal
AI Audio
PANDUAN AI Audio
Pengecaman Ucapan Bisikan
Whisper is OpenAI’s multilingual speech-recognition model, trained with large-scale weak supervision on approximately 680,000 hours of web-collected audio.
Dengar panduan iniAI-diceritakan · ~1 min
Pada halaman ini1 min dibaca
Gambaran keseluruhan
Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.
Menyelam 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.
Pelaksanaan Dunia Sebenar
Auto menjana transkrip dan kapsyen yang boleh dicari untuk podcast dan video YouTube
Menguasakan apl nota mesyuarat secara langsung yang menghasilkan ringkasan daripada audio Zum atau Pasukan
Menterjemahkan wawancara bahasa asing terus ke dalam teks bahasa Inggeris untuk wartawan
Membina alat kebolehcapaian dikawal suara dan imlak untuk pengguna yang tidak boleh menaip
Masa Depan Pengiktirafan 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 ia penting
- Akses dan capai. Ia meningkatkan kebolehcapaian melalui transkripsi, narasi dan antara muka suara.
- Kos dan bajet. Pasukan media boleh menghantar audio yang digilap dengan lebih pantas dengan belanjawan yang lebih kecil.
- Kelajuan dan skala. Sistem yang menghadapi pelanggan boleh memproses interaksi pertuturan pada skala yang lebih besar.
Berhati-hati untuk
- Penyalahgunaan suara dan risiko penyamaran meningkat apabila tiada kebenaran.
- Ketepatan boleh menurun merentas aksen, dialek atau persekitaran yang bising.
- Audio sintetik boleh disalah anggap sebagai pertuturan tulen tanpa pelabelan yang jelas.
Langkah seterusnya
- Dapatkan persetujuan yang jelas untuk menangkap suara, pengklonan dan penggunaan semula.
- Uji kualiti merentas pelbagai pembesar suara dan keadaan latar belakang.
- Tentukan bila manusia mesti menyemak atau meluluskan output.
- Labelkan audio sintetik dan simpan rekod asal untuk kebertanggungjawaban.
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the Whisper Speech Recognition quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
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 Whisper dilatih?
Whisper telah dilatih mengenai kira-kira 680,000 jam audio berbilang tugas yang dikumpul daripada web, set data yang luar biasa besar dan pelbagai.
Apakah perwakilan perantaraan yang dikira Whisper daripada audio mentah sebelum pengekod?
Whisper menukarkan setiap bahagian audio 30 saat menjadi spektrogram log-Mel 80 saluran, yang diproses oleh pengekod Transformer.
Bagaimanakah model Whisper tunggal melaksanakan pelbagai tugas seperti transkripsi dan terjemahan?
Bisikan syarat pada token khas pada permulaan penyahkodan yang memberitahunya bahasa, tugas dan sama ada untuk mengeluarkan cap masa.
Apakah seni bina saraf keseluruhan yang digunakan oleh Whisper?
Whisper ialah Transformer penyahkod pengekod: pengekod membaca spektrogram dan penyahkod menjana token teks secara autoregresif.
Mengapa Whisper dianggap sangat teguh berbanding sistem ASR terdahulu?
Latihan tentang sejumlah besar audio dunia sebenar yang pelbagai (aksen, hingar, crosstalk) memberikan Whisper keteguhan luar biasa yang kuat tanpa penalaan setiap domain.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini