Whisper
Więcej informacji
- Twórca
- OpenAI
- Rok
- Typ
- Automatyczne rozpoznawanie mowy (ASR)
- Licencja
- MIT (otwarte wagi)
- Kod źródłowy
- github.com/openai/whisper
Model rozpoznawania mowy od OpenAI, wydany we wrześniu 2022 roku z otwartymi wagami na licencji MIT. Sprawił, że wysokiej jakości automatyczną transkrypcję może uruchomić lokalnie każdy.
Transformer typu koder–dekoder wytrenowany na 680 000 godzin słabo oznaczonego dźwięku z internetu — nie starannie wyselekcjonowanego materiału, lecz ogromnych ilości prawdziwej mowy o różnej jakości, z szumem i akcentami. Dlatego radzi sobie tam, gdzie wcześniejsze systemy się wykładały. Obsługuje około dziewięćdziesięciu języków, także mniejszych z dobrą dokładnością, i potrafi tłumaczyć bezpośrednio na angielski. Dostępny w rozmiarach od tiny do large-v3. Znana słabość to halucynacje w ciszy: model zmyśla zdania, gdy nikt nic nie mówi, co — jak pokazały śledztwa z 2024 roku — zdarzało się nawet w transkrypcji medycznej. Szybsze warianty: faster-whisper i whisper.cpp.