A seguirPróximo guia
Speech Recognition for People with Atypical Speech
IA de áudio
GUIA de IA de áudio
Reconhecimento de fala por sussurro
Whisper is OpenAI’s multilingual speech-recognition model, trained with large-scale weak supervision on approximately 680,000 hours of web-collected audio.
Ouça este guiaNarrado por IA · ~1 min
Nesta página1 minuto de leitura
Visão geral
Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.
Mergulho 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.
Implementação no mundo real
Geração automática de transcrições e legendas pesquisáveis para podcasts e vídeos do YouTube
Capacitando aplicativos de anotações de reuniões ao vivo que produzem resumos de Zoom ou áudio do Teams
Tradução de entrevistas em idiomas estrangeiros diretamente para textos em inglês para jornalistas
Criação de ferramentas de acessibilidade controladas por voz e ditado para usuários que não sabem digitar
O futuro do reconhecimento de fala por sussurro
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.
Colocando em prática
Por que isso importa
- Acesso e alcance. Melhora a acessibilidade por meio de transcrição, narração e interfaces de voz.
- Custo e orçamento. As equipes de mídia podem enviar áudio sofisticado com mais rapidez e com orçamentos menores.
- Velocidade e escala. Os sistemas voltados para o cliente podem processar interações faladas em maior escala.
Cuidado com
- Os riscos de uso indevido de voz e falsificação de identidade aumentam quando falta consentimento.
- A precisão pode diminuir em sotaques, dialetos ou ambientes barulhentos.
- O áudio sintético pode ser confundido com fala autêntica sem uma rotulagem clara.
Próximas etapas
- Obtenha consentimento explícito para captura, clonagem e reutilização de voz.
- Teste a qualidade em diversos alto-falantes e condições de fundo.
- Defina quando um ser humano deve revisar ou aprovar os resultados.
- Rotule o áudio sintético e mantenha registros de procedência para fins de prestação de contas.
Continue explorando
Boletim informativo gratuito
Receba o resumo diário de IA
Três histórias verificadas de IA a cada manhã de dia útil, escritas em linguagem simples. Gratuito para sempre, sem anúncios.
Um e-mail a cada dia útil. Cancele a inscrição com um clique. Nunca vendemos ou compartilhamos seu endereço.
Teste você mesmo
Take the Whisper Speech Recognition quiz
Feedback instantâneo sobre cada resposta e um certificado compartilhável com um ID verificável assim que você concluir um curso.
Apoie a educação gratuita em IA. O AI Understanding é uma organização sem fins lucrativos 501(c)(3) — sem anúncios, sem paywall, nunca. Faça uma doação
Perguntas frequentes
O que é reconhecimento de fala por sussurro?
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 em quantas horas de áudio o Whisper foi treinado?
O Whisper foi treinado em cerca de 680.000 horas de áudio multilíngue e multitarefa coletadas da web, um conjunto de dados excepcionalmente grande e diversificado.
Que representação intermediária o Whisper calcula a partir do áudio bruto antes do codificador?
O Whisper converte cada pedaço de áudio de 30 segundos em um espectrograma log-Mel de 80 canais, que o codificador Transformer processa.
Como um único modelo Whisper executa múltiplas tarefas, como transcrição e tradução?
Condições sussurradas em tokens especiais no início da decodificação que informam o idioma, a tarefa e se devem ser emitidos carimbos de data/hora.
Qual arquitetura neural geral o Whisper usa?
Whisper é um transformador codificador-decodificador: o codificador lê o espectrograma e o decodificador gera tokens de texto de forma autorregressiva.
Por que o Whisper é considerado especialmente robusto em comparação com os sistemas ASR anteriores?
O treinamento em grandes quantidades de áudio variado do mundo real (acentos, ruído, crosstalk) deu ao Whisper uma forte robustez pronta para uso, sem ajuste por domínio.
Continue aprendendo
Guias relacionados
Mais guias escolhidos para este tópico