Nhận dạng giọng nói thì thầm
Whisper là hệ thống nhận dạng giọng nói tự động nguồn mở của OpenAI giúp chuyển âm thanh thành văn bản trên hơn 90 ngôn ngữ.
Tổng quan
It matters because it brought near-human transcription quality to everyone for free, working robustly on accents, background noise, and technical jargon.
Lặn sâu
Được phát hành bởi OpenAI vào tháng 9 năm 2022, Whisper là mô hình bộ mã hóa-giải mã dựa trên Transformer được đào tạo dựa trên 680.000 giờ âm thanh đa ngôn ngữ, đa tác vụ được lấy từ web. Không giống như các hệ thống trước đó cần dữ liệu rõ ràng, được gắn nhãn, Whisper học được từ các bản ghi lộn xộn trong thế giới thực, khiến nó có khả năng phục hồi đáng kể trước các trọng âm, tiếng ồn và nhiễu xuyên âm. Một mô hình duy nhất xử lý việc phiên âm, dịch sang tiếng Anh, nhận dạng ngôn ngữ và đánh dấu thời gian. Nó có các kích cỡ từ 'nhỏ' (thông số 39M) đến 'lớn' (1,55B), cho phép người dùng đánh đổi tốc độ để lấy độ chính xác. Vì các trọng số được cấp phép công khai theo MIT nên Whisper đã trở thành nền tảng mặc định cho vô số người chuyển đổi podcast, công cụ tạo phụ đề và ứng dụng giọng nói gần như chỉ sau một đêm.
Hiểu biết kỹ thuật
Whisper chia âm thanh thành các đoạn dài 30 giây, chuyển đổi từng đoạn thành biểu đồ phổ log-Mel (80 kênh tần số) và đưa nó vào bộ mã hóa Transformer. Sau đó, bộ giải mã sẽ tự động dự đoán các mã thông báo văn bản, được hướng dẫn bởi các mã thông báo đặc biệt chỉ định tác vụ (phiên âm so với dịch), ngôn ngữ và liệu có phát ra dấu thời gian hay không. Điều hòa mã thông báo đa nhiệm này là một mẹo thông minh: một bộ trọng số thực hiện nhiều công việc tùy thuộc vào mã thông báo nhắc được cung cấp khi bắt đầu giải mã.
Tác động chiến lược
Truy cập và tiếp cận
Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
Chi phí và ngân sách
Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
Tốc độ và tỷ lệ
Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
Tương lai của nhận dạng giọng nói thì thầm
Whisper đã khơi dậy một làn sóng các phiên bản phái sinh nhanh hơn như Whisper.cpp, phiên bản Whisper nhanh hơn và chắt lọc chạy trong thời gian thực trên điện thoại và máy tính xách tay. Mong đợi các biến thể phát trực tuyến chặt chẽ hơn (độ trễ thấp), khả năng ghi nhật ký loa tốt hơn được kết hợp cùng với nó và hiệu suất mạnh mẽ hơn trên các ngôn ngữ có nguồn tài nguyên thấp. Khi AI âm thanh trên thiết bị phát triển, các mẫu kiểu Whisper nhẹ có thể sẽ hỗ trợ phụ đề trực tiếp, ghi chú cuộc họp và các công cụ trợ năng hoàn toàn ngoại tuyến, bảo vệ quyền riêng tư trong khi vẫn đảm bảo độ chính xác ở cấp độ đám mây.
Triển khai trong thế giới thực
Tự động tạo bản ghi và phụ đề có thể tìm kiếm cho podcast và video YouTube
Hỗ trợ các ứng dụng ghi chú cuộc họp trực tiếp tạo ra các bản tóm tắt từ âm thanh Zoom hoặc Teams
Dịch trực tiếp các bài phỏng vấn bằng tiếng nước ngoài sang tiếng Anh cho nhà báo
Xây dựng các công cụ trợ năng được điều khiển bằng giọng nói và đọc chính tả cho những người dùng không thể nhập văn bản
Rủi ro & lan can
Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Lộ trình thực hiện
Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Whisper Speech Recognition quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Nhận dạng cảm xúc lời nói
Câu hỏi thường gặp
What is Whisper Speech Recognition?
Whisper là hệ thống nhận dạng giọng nói tự động nguồn mở của OpenAI giúp chuyển âm thanh thành văn bản trên hơn 90 ngôn ngữ. Điều này quan trọng vì nó mang lại chất lượng phiên âm gần giống con người miễn phí cho mọi người, hoạt động hiệu quả trên các trọng âm, tiếng ồn xung quanh và biệt ngữ kỹ thuật.
Whisper đã được huấn luyện về khoảng bao nhiêu giờ âm thanh?
Whisper đã được đào tạo về khoảng 680.000 giờ âm thanh đa ngôn ngữ, đa tác vụ được thu thập từ web, một tập dữ liệu lớn và đa dạng bất thường.
Whisper tính toán biểu diễn trung gian nào từ âm thanh thô trước bộ mã hóa?
Whisper chuyển đổi từng đoạn âm thanh dài 30 giây thành một quang phổ log-Mel 80 kênh mà bộ mã hóa Transformer xử lý.
Làm thế nào để một mô hình Whisper thực hiện nhiều tác vụ như phiên âm và dịch thuật?
Thì thầm các điều kiện về các mã thông báo đặc biệt khi bắt đầu giải mã để cho nó biết ngôn ngữ, tác vụ và liệu có phát ra dấu thời gian hay không.
Whisper sử dụng kiến trúc thần kinh tổng thể nào?
Whisper là một bộ biến đổi bộ mã hóa-giải mã: bộ mã hóa đọc biểu đồ phổ và bộ giải mã tạo ra các mã thông báo văn bản một cách tự động.
Tại sao Whisper được coi là đặc biệt mạnh mẽ so với các hệ thống ASR trước đó?
Việc đào tạo về số lượng lớn âm thanh trong thế giới thực, đa dạng (giọng, tiếng ồn, nhiễu xuyên âm) đã mang lại cho Whisper sự mạnh mẽ vượt trội mà không cần điều chỉnh theo từng miền.