اگلااگلا گائیڈ
غیر معمولی تقریر والے لوگوں کے لئے تقریر کی شناخت
آڈیو AI
آڈیو AI گائیڈ
سرگوشی کی تقریر کی پہچان
Whisper is OpenAI’s multilingual speech-recognition model, trained with large-scale weak supervision on approximately 680,000 hours of web-collected audio.
اس گائیڈ کو سنیں۔اے آئی نے بیان کیا۔ · ~1 min
اس صفحہ پر1 منٹ پڑھیں
جائزہ
Its encoder-decoder design supports transcription, English translation, language identification, and timestamps, while accuracy varies by language, recording, and task.
گہرا غوطہ
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.
حقیقی دنیا کا نفاذ
پوڈکاسٹس اور یوٹیوب ویڈیوز کے لیے خود کار طریقے سے تلاش کے قابل نقلیں اور کیپشن تیار کرنا
لائیو میٹنگ نوٹس ایپس کو طاقت دینا جو زوم یا ٹیمز آڈیو سے خلاصے تیار کرتی ہیں۔
صحافیوں کے لیے غیر ملکی زبان کے انٹرویوز کا براہ راست انگریزی متن میں ترجمہ کرنا
ایسے صارفین کے لیے آواز پر قابو پانے والے قابل رسائی ٹولز اور ڈکٹیشن بنانا جو ٹائپ نہیں کر سکتے
سرگوشی کی تقریر کی شناخت کا مستقبل
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.
اسے عملی جامہ پہنانا
یہ کیوں اہمیت رکھتا ہے۔
- رسائی اور رسائی. یہ نقل، بیان اور صوتی انٹرفیس کے ذریعے رسائی کو بہتر بناتا ہے۔
- لاگت اور بجٹ. میڈیا ٹیمیں چھوٹے بجٹ کے ساتھ پالش آڈیو کو تیزی سے بھیج سکتی ہیں۔
- رفتار اور پیمانہ. کسٹمر کا سامنا کرنے والے نظام بڑے پیمانے پر بولی جانے والی بات چیت پر کارروائی کر سکتے ہیں۔
پر نگاہ رکھیں
- رضامندی غائب ہونے پر آواز کے غلط استعمال اور نقالی کے خطرات بڑھ جاتے ہیں۔
- درستگی لہجوں، بولیوں، یا شور والے ماحول میں گر سکتی ہے۔
- واضح لیبلنگ کے بغیر مصنوعی آڈیو کو مستند تقریر کے لیے غلط سمجھا جا سکتا ہے۔
اگلے اقدامات
- آواز کی گرفتاری، کلوننگ اور دوبارہ استعمال کے لیے واضح رضامندی حاصل کریں۔
- متنوع اسپیکرز اور پس منظر کے حالات میں معیار کی جانچ کریں۔
- وضاحت کریں کہ جب ایک انسان کو آؤٹ پٹس کا جائزہ لینا یا منظور کرنا ضروری ہے۔
- مصنوعی آڈیو کو لیبل کریں اور جوابدہی کے لیے پرووینس ریکارڈ رکھیں۔
دریافت کرتے رہیں
مفت نیوز لیٹر
روزانہ AI بریفنگ حاصل کریں
ہر ہفتے کے دن صبح تین تصدیق شدہ AI کہانیاں، سادہ انگریزی میں لکھی گئیں۔ ہمیشہ کے لیے مفت، کوئی اشتہار نہیں۔
ہر ہفتے کے دن ایک ای میل۔ ایک کلک میں ان سبسکرائب کریں۔ ہم کبھی بھی آپ کا پتہ فروخت یا شیئر نہیں کرتے۔
اپنے آپ کو جانچیں۔
Take the Whisper Speech Recognition quiz
ہر جواب پر فوری فیڈبیک، اور کورس پاس کرنے کے بعد قابلِ تصدیق ID کے ساتھ شیئر کرنے کے قابل سرٹیفکیٹ۔
مفت AI تعلیم کی حمایت کریں۔ AI Understanding ایک 501(c)(3) غیر منافع بخش ادارہ ہے — کوئی اشتہار نہیں، کوئی پے وال نہیں، کبھی نہیں۔ عطیہ کریں۔
اکثر پوچھے گئے سوالات
وِسپر سپیچ ریکگنیشن کیا ہے؟
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.
وسپر کو تقریباً کتنے گھنٹے کی آڈیو تربیت دی گئی تھی؟
Whisper کو تقریباً 680,000 گھنٹے کی کثیر لسانی، ملٹی ٹاسک آڈیو پر تربیت دی گئی جو ویب سے اکٹھا کیا گیا، ایک غیر معمولی طور پر بڑا اور متنوع ڈیٹا سیٹ۔
وسپر انکوڈر سے پہلے خام آڈیو سے کس درمیانی نمائندگی کا حساب لگاتا ہے؟
Whisper ہر 30 سیکنڈ کے آڈیو حصے کو 80 چینل لاگ میل سپیکٹروگرام میں تبدیل کرتا ہے، جسے ٹرانسفارمر انکوڈر پروسیس کرتا ہے۔
ایک واحد Whisper ماڈل نقل اور ترجمہ جیسے متعدد کام کیسے انجام دیتا ہے؟
ضابطہ کشائی کے آغاز پر خصوصی ٹوکنز پر سرگوشی کی شرائط جو اسے زبان، کام، اور ٹائم اسٹیمپ کے اخراج کے بارے میں بتاتی ہیں۔
وسپر کس مجموعی عصبی فن تعمیر کا استعمال کرتا ہے؟
وسپر ایک انکوڈر-ڈیکوڈر ٹرانسفارمر ہے: انکوڈر سپیکٹروگرام کو پڑھتا ہے اور ڈیکوڈر خود بخود ٹیکسٹ ٹوکن تیار کرتا ہے۔
پہلے ASR سسٹمز کے مقابلے Whisper کو خاص طور پر مضبوط کیوں سمجھا جاتا ہے؟
متنوع، حقیقی دنیا کے آڈیو (لہجے، شور، کراس اسٹالک) کی بڑی مقدار پر تربیت نے فی ڈومین ٹیوننگ کے بغیر وسپر کو باکس سے باہر مضبوطی فراہم کی۔
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔