ต่อไปคำแนะนำต่อไป
Speech Recognition for People with Atypical Speech
เสียงเอไอ
คู่มือเสียง AI
Whisper คือโมเดลการรู้จำเสียงพูดหลายภาษาของ OpenAI ซึ่งได้รับการฝึกฝนโดยมีการควบคุมดูแลที่อ่อนแอในวงกว้างบนเสียงที่รวบรวมจากเว็บประมาณ 680,000 ชั่วโมง
ฟังคำแนะนำนี้บรรยายโดย AI · ~1 min
Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.
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.
สร้างข้อความถอดเสียงและคำอธิบายภาพที่ค้นหาได้อัตโนมัติสำหรับพอดแคสต์และวิดีโอ YouTube
ขับเคลื่อนแอปบันทึกการประชุมสดที่สร้างสรุปจากเสียง Zoom หรือ Teams
การแปลบทสัมภาษณ์ภาษาต่างประเทศเป็นข้อความภาษาอังกฤษโดยตรงสำหรับนักข่าว
การสร้างเครื่องมือช่วยการเข้าถึงที่ควบคุมด้วยเสียงและการเขียนตามคำบอกสำหรับผู้ใช้ที่ไม่สามารถพิมพ์ได้
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.
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
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.
Whisper ได้รับการฝึกอบรมเกี่ยวกับเสียงมัลติทาสก์หลายภาษาประมาณ 680,000 ชั่วโมงที่รวบรวมจากเว็บ ซึ่งเป็นชุดข้อมูลที่มีขนาดใหญ่และหลากหลายผิดปกติ
Whisper แปลงแต่ละส่วนของเสียง 30 วินาทีให้เป็นสเปกโตรแกรม log-Mel 80 แชนเนล ซึ่งตัวเข้ารหัส Transformer ประมวลผล
เงื่อนไขการกระซิบบนโทเค็นพิเศษเมื่อเริ่มถอดรหัสเพื่อบอกภาษา งาน และว่าจะปล่อยการประทับเวลาหรือไม่
Whisper เป็นหม้อแปลงตัวเข้ารหัส-ตัวถอดรหัส: ตัวเข้ารหัสจะอ่านสเปกโตรแกรม และเครื่องถอดรหัสจะสร้างโทเค็นข้อความแบบถดถอยอัตโนมัติ
การฝึกอบรมเกี่ยวกับเสียงที่หลากหลายในโลกแห่งความเป็นจริง (สำเนียง เสียงรบกวน crosstalk) ทำให้ Whisper มีความทนทานสูงทันทีที่แกะกล่อง โดยไม่ต้องปรับตามโดเมน
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
Speech Recognition for People with Atypical Speech
เสียงเอไอ