MWONGOZO WA AI wa Sauti

Utambuzi wa Hotuba ya Whisper

Whisper is OpenAI’s multilingual speech-recognition model, trained with large-scale weak supervision on approximately 680,000 hours of web-collected audio.

Sikiliza mwongozo huuInaonyeshwa na AI · ~1 min

Anza kusomaChukua chemsha bongo
Katika ukurasa huu1 dakika kusoma
  1. Muhtasari
  2. Dive ya kina
  3. Utekelezaji wa Ulimwengu Halisi
  4. Mustakabali wa Utambuzi wa Hotuba ya Whisper
  5. Kuiweka katika vitendo
  6. Endelea Kuchunguza
  7. Maswali yanayoulizwa mara kwa mara

Muhtasari

Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.

Dive ya kina

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.

Utekelezaji wa Ulimwengu Halisi

Inazalisha kiotomatiki manukuu na manukuu ya podikasti na video za YouTube

Kuwezesha programu za madokezo ya moja kwa moja ya mikutano ambayo hutoa muhtasari kutoka kwa sauti ya Zoom au Timu

Kutafsiri mahojiano ya lugha ya kigeni moja kwa moja kwa maandishi ya Kiingereza kwa waandishi wa habari

Kuunda zana za ufikiaji zinazodhibitiwa na sauti na maagizo kwa watumiaji ambao hawawezi kuandika

Mustakabali wa Utambuzi wa Hotuba ya Whisper

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.

Kuiweka katika vitendo

Kwa nini ni muhimu

  • Kufikia na kufikia. Huboresha ufikiaji kupitia manukuu, simulizi na violesura vya sauti.
  • Gharama na bajeti. Timu za media zinaweza kusafirisha sauti iliyoboreshwa haraka na bajeti ndogo.
  • Kasi na kiwango. Mifumo inayowakabili wateja inaweza kuchakata mwingiliano wa mazungumzo kwa kiwango kikubwa.

Jihadharini na

  • Hatari za matumizi mabaya ya sauti na uigaji huongezeka wakati kibali kinakosekana.
  • Usahihi unaweza kushuka katika lafudhi, lahaja au mazingira yenye kelele.
  • Sauti ya syntetisk inaweza kudhaniwa kimakosa kuwa usemi halisi bila kuweka lebo wazi.

Hatua zinazofuata

  1. Pata idhini ya moja kwa moja ya kunasa sauti, kuunda na kutumia tena.
  2. Jaribu ubora kwenye spika na hali mbalimbali za usuli.
  3. Bainisha wakati ni lazima binadamu akague au aidhinishe matokeo.
  4. Weka lebo sauti ya sintetiki na uhifadhi rekodi za asili kwa uwajibikaji.

Endelea Kuchunguza

Sauti AI

Jifunze jinsi mifumo ya usemi inavyotambua na kutoa lugha.Soma Mwongozo

Muziki wa AI

Kuelewa zana za kisasa za kizazi cha muziki na vikwazo.Soma Mwongozo

Jarida halali

Pata taarifa ya kila siku ya AI

Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.

Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.

Jijaribu mwenyewe

Take the Whisper Speech Recognition quiz

Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.

Anza chemsha bongo

Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango

Maswali yanayoulizwa mara kwa mara

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.

Takribani Whisper alifunzwa kwa saa ngapi za sauti?

Whisper alifunzwa kuhusu saa 680,000 za sauti za lugha nyingi, za kazi nyingi zilizokusanywa kutoka kwa wavuti, mkusanyiko mkubwa wa data usio wa kawaida na tofauti.

Ni uwakilishi gani wa kati ambao Whisper anakokotoa kutoka kwa sauti mbichi kabla ya kisimbaji?

Whisper hubadilisha kila sehemu ya sauti ya sekunde 30 kuwa spekrogramu ya log-Mel ya idhaa 80, ambayo kisimbaji cha Transformer huchakata.

Je, muundo mmoja wa Whisper hufanyaje kazi nyingi kama vile unukuzi na tafsiri?

Masharti ya kunong'ona kwenye tokeni maalum mwanzoni mwa usimbaji zinazoiambia lugha, kazi na ikiwa itatoa muhuri wa muda.

Whisper hutumia usanifu gani wa jumla wa neva?

Whisper ni Kibadilishaji cha kusimbuaji-kisimbaji: kisimbaji husoma spectrogram na avkodare huzalisha tokeni za maandishi kiotomatiki.

Kwa nini Whisper inachukuliwa kuwa imara zaidi ikilinganishwa na mifumo ya awali ya ASR?

Mafunzo juu ya kiasi kikubwa cha sauti mbalimbali, za ulimwengu halisi (lafudhi, kelele, mazungumzo tofauti) yalimpa Whisper uimara wa nje ya kisanduku bila urekebishaji wa kila kikoa.

Endelea kujifunza

Miongozo inayohusiana

Miongozo zaidi imechaguliwa kwa mada hii

Pata cheti cha AI bureKozi fupi na mtihani bila malipo. Bila kadi. Hata dakika 2.5.Anza bure →