คู่มือเสียง AI
OpenAI กระซิบ
Whisper คือโมเดลการรู้จำเสียงพูดอัตโนมัติแบบโอเพ่นซอร์สที่ออกโดย OpenAI ในปี 2022
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
งานที่ตีพิมพ์ประกอบด้วยการถอดความและแปลเป็นภาษาอังกฤษหลายภาษา ประสิทธิภาพที่รายงานจะแตกต่างกันไปตามภาษาและสภาพเสียง
เจาะลึก
รายงาน Whisper รายงานการฝึกอบรมเกี่ยวกับเสียงที่รวบรวมจากเว็บประมาณ 680,000 ชั่วโมงโดยมีการควบคุมดูแลที่อ่อนแอ โมเดลนี้รองรับการรู้จำคำพูด การแปลคำพูดภาษาอังกฤษ การระบุภาษา และการประทับเวลา บทความนี้รายงานความครอบคลุมของภาษาที่ไม่สม่ำเสมอและประเมินงานต่างๆ ผลลัพธ์การวัดประสิทธิภาพไม่ใช่การรับประกันความถูกต้องสากล การ์ดแบบจำลองประเมินคลังข้อมูลว่าเป็นเสียงภาษาอังกฤษประมาณ 65% พร้อมการถอดเสียงภาษาอังกฤษ เสียงที่ไม่ใช่ภาษาอังกฤษ 18% จับคู่กับข้อความแปลภาษาอังกฤษ และเสียงที่ไม่ใช่ภาษาอังกฤษ 17% พร้อมการถอดเสียงภาษาต้นฉบับ
การใช้งานจริงในโลกแห่งความเป็นจริง
ขั้นตอนการทำงานสมมุติ: ถอดเสียงการสัมภาษณ์ที่บันทึกไว้ จากนั้นตรวจสอบคำนามที่เหมาะสมและช่วงเสียงที่ไม่แน่นอนเทียบกับเสียง
ขั้นตอนการทำงานสมมุติ: แปลคำพูดที่ไม่ใช่ภาษาอังกฤษเป็นข้อความภาษาอังกฤษ และตรวจสอบการแปลกับวิทยากรที่มีคุณสมบัติเหมาะสมเมื่อความถูกต้องเป็นสิ่งสำคัญ
ใช้เอาต์พุตการระบุภาษาเป็นการคาดเดาโมเดลที่อาจเชื่อถือได้น้อยกว่าสำหรับภาษาที่ด้อยโอกาสหรือเสียงที่มีเสียงรบกวน
สำหรับการบันทึกที่มีความยาว ให้ตรวจสอบขอบเขตของส่วนและส่วนที่ไม่มีเสียงเพื่อดูว่ามีการละเว้น การวนซ้ำ หรือข้อความหลอนประสาทหรือไม่
อนาคตของ OpenAI เสียงกระซิบ
ใช้กระดาษที่ตีพิมพ์และการ์ดโมเดลเพื่อเลือกข้อมูลการประเมินที่ตรงกับภาษา คุณภาพเสียง และงานที่ต้องการ รายงานอัตราข้อผิดพลาดตามภาษาและเฉพาะงาน และตรวจสอบใบรับรองผลการเรียนที่มีผลกระทบสูงด้วยตนเอง แหล่งที่มาที่อ้างถึงไม่ได้กำหนดแนวโน้มการใช้งานในปัจจุบันหรือรับประกันความสามารถบนอุปกรณ์/สตรีมมิ่งในอนาคต
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- เข้าถึงและเข้าถึง. ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
- ต้นทุนและงบประมาณ. ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
- ความเร็วและขนาด. ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น
ระวัง
- การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
- ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
- เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน
ขั้นตอนต่อไป
- ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
- ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
- กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
- ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the OpenAI Whisper quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
OpenAI เสียงกระซิบคืออะไร?
Whisper คือโมเดลการรู้จำเสียงพูดอัตโนมัติแบบโอเพ่นซอร์สที่ออกโดย OpenAI ในปี 2022 งานที่เผยแพร่ ได้แก่ การถอดเสียงและการแปลเป็นภาษาอังกฤษหลายภาษา ประสิทธิภาพที่รายงานจะแตกต่างกันไปตามภาษาและสภาพเสียง
จุดประสงค์หลักของเสียงกระซิบของ OpenAI คืออะไร
Whisper คือระบบรู้จำเสียงพูดอัตโนมัติที่ถอดเสียงและแปลเสียงพูดในหลายภาษา
ความสมดุลของภาษาในเสียงการฝึกของ Whisper เป็นอย่างไร
เอกสารดังกล่าวตั้งข้อสังเกตว่าคลังข้อมูลการฝึกอบรมเน้นภาษาอังกฤษและภาษาส่วนใหญ่มีเวลาน้อยกว่า 1,000 ชั่วโมงมาก
Whisper ใช้อะไรเพื่อกำหนดเงื่อนไขตัวถอดรหัสในงานและภาษาที่ร้องขอ
โทเค็นพิเศษจะระบุภาษาและงาน เช่น การถอดเสียงหรือการแปลภาษาอังกฤษ
Whisper ไม่มีความสามารถใดให้มาในตัว?
Whisper จัดการการถอดเสียง การแปลเป็นภาษาอังกฤษ การตรวจจับภาษา และการประทับเวลา แต่ไม่ใช่เครื่องมือสร้างวิดีโอ
เอกสารของ OpenAI อธิบายถึงปัญหาการถอดความแบบยาวใดบ้าง
บทความนี้อธิบายถึงข้อผิดพลาด เช่น การวนซ้ำและคำแรกหรือคำสุดท้ายหายไปรอบๆ ขอบเขตของส่วน
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้