Whisper

Whisper — универсальная модель распознавания речи от OpenAI, обученная на 680 тысячах часов разнообразных многоязычных аудиоданных. Она хорошо справляется с фоновым шумом, технической лексикой и речью с акцентом — условиями, в которых традиционные системы распознавания речи часто дают сбой.

Основные возможности

• Расшифровывает аудио на 99 языках и переводит речь с других языков на английский
• Шесть вариантов модели: от tiny с 39 млн параметров до turbo с 1,5 млрд, позволяющих выбирать баланс между скоростью и точностью
• Устойчива к шуму, фоновой музыке и техническому жаргону
• Распространяется по лицензии MIT — полностью бесплатна для локального и коммерческого использования
• Простой Python API и интерфейс командной строки; поддерживает MP3, WAV, FLAC и другие форматы

Whisper обеспечивает точное распознавание без лицензионных платежей при создании сервисов расшифровки подкастов, инструментов доступности или обработке многоязычного контента. Она особенно полезна приложениям, которым нужна надёжная транскрибация при разном качестве аудио и на разных языках. Модель можно бесплатно скачать и запускать на собственном оборудовании.