Whisper large-v2

مدل صوتی از اوپن‌ای‌آی

به فارسی:ویسپر لارج وی ۲ویسپر large-v2

این مدل چیست؟

Whisper large-v2 نسخهٔ دوم بزرگ‌ترین مدل متن‌باز تبدیل گفتار به متن OpenAI است که دسامبر ۲۰۲۲ منتشر شد؛ حدود ۱٫۵۵ میلیارد پارامتر دارد و ۹۹ زبان، از جمله فارسی، را رونویسی و به انگلیسی ترجمه می‌کند. API قدیمی whisper-1 در OpenAI بر پایهٔ همین مدل است. نرخ خطای کلمه در سنجش انگلیسی Artificial Analysis حدود ۴٫۱٪ است و رایگان روی کامپیوتر خودتان با Whisper، Buzz، Subtitle Edit و افزونهٔ OpenVINO در Audacity اجرا می‌شود.

سازنده: اوپن‌ای‌آی (OpenAI)

OpenAI شرکت آمریکایی سازندهٔ ChatGPT است. مدل‌های زبانی GPT، تصویرساز GPT Image و مدل‌های گفتار و تبدیل گفتار به متن را می‌سازد و آن‌ها را در ChatGPT و از راه API عرضه می‌کند.

کجا می‌شود از آن استفاده کرد؟

جایگاه در جدول‌های مقایسه

  • سنجش گفتار به متن Artificial AnalysisWhisper Large v2
    رتبهٔ ۳۸خطای کلمه ۴٫۱٪$۶ برای ۱۰۰۰ دقیقه صدا
مقایسهٔ کامل مدل‌ها

مدل‌های دیگر اوپن‌ای‌آی