คู่มือเสียง AI

การรู้จำเสียงกระซิบ

Whisper คือโมเดลการรู้จำเสียงพูดหลายภาษาของ OpenAI ซึ่งได้รับการฝึกฝนโดยมีการควบคุมดูแลที่อ่อนแอในวงกว้างบนเสียงที่รวบรวมจากเว็บประมาณ 680,000 ชั่วโมง

ฟังคำแนะนำนี้บรรยายโดย AI · ~1 min

บนหน้านี้อ่าน 1 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของการรู้จำเสียงกระซิบ
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

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

เจาะลึก

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.

การใช้งานจริงในโลกแห่งความเป็นจริง

สร้างข้อความถอดเสียงและคำอธิบายภาพที่ค้นหาได้อัตโนมัติสำหรับพอดแคสต์และวิดีโอ YouTube

ขับเคลื่อนแอปบันทึกการประชุมสดที่สร้างสรุปจากเสียง Zoom หรือ Teams

การแปลบทสัมภาษณ์ภาษาต่างประเทศเป็นข้อความภาษาอังกฤษโดยตรงสำหรับนักข่าว

การสร้างเครื่องมือช่วยการเข้าถึงที่ควบคุมด้วยเสียงและการเขียนตามคำบอกสำหรับผู้ใช้ที่ไม่สามารถพิมพ์ได้

อนาคตของการรู้จำเสียงกระซิบ

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.

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • เข้าถึงและเข้าถึง. ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
  • ต้นทุนและงบประมาณ. ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
  • ความเร็วและขนาด. ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น

ระวัง

  • การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
  • ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
  • เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน

ขั้นตอนต่อไป

  1. ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
  2. ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
  3. กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
  4. ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Whisper Speech Recognition quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

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.

Whisper ฝึกการใช้เสียงประมาณกี่ชั่วโมง?

Whisper ได้รับการฝึกอบรมเกี่ยวกับเสียงมัลติทาสก์หลายภาษาประมาณ 680,000 ชั่วโมงที่รวบรวมจากเว็บ ซึ่งเป็นชุดข้อมูลที่มีขนาดใหญ่และหลากหลายผิดปกติ

Whisper เป็นตัวแทนระดับกลางใดที่คำนวณจากเสียงดิบก่อนตัวเข้ารหัส

Whisper แปลงแต่ละส่วนของเสียง 30 วินาทีให้เป็นสเปกโตรแกรม log-Mel 80 แชนเนล ซึ่งตัวเข้ารหัส Transformer ประมวลผล

โมเดล Whisper เดียวทำงานหลายอย่าง เช่น การถอดเสียงและการแปลได้อย่างไร

เงื่อนไขการกระซิบบนโทเค็นพิเศษเมื่อเริ่มถอดรหัสเพื่อบอกภาษา งาน และว่าจะปล่อยการประทับเวลาหรือไม่

Whisper ใช้สถาปัตยกรรมประสาทโดยรวมแบบใด

Whisper เป็นหม้อแปลงตัวเข้ารหัส-ตัวถอดรหัส: ตัวเข้ารหัสจะอ่านสเปกโตรแกรม และเครื่องถอดรหัสจะสร้างโทเค็นข้อความแบบถดถอยอัตโนมัติ

เหตุใด Whisper จึงถือว่าแข็งแกร่งเป็นพิเศษเมื่อเทียบกับระบบ ASR รุ่นก่อน ๆ

การฝึกอบรมเกี่ยวกับเสียงที่หลากหลายในโลกแห่งความเป็นจริง (สำเนียง เสียงรบกวน crosstalk) ทำให้ Whisper มีความทนทานสูงทันทีที่แกะกล่อง โดยไม่ต้องปรับตามโดเมน

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →