詳細解釋
Whisper 是 OpenAI 2022 年開源的自動語音識別（ASR）模型，支援多語言、多任務，效果優秀且免費。
特點：
- 多語言：支援 99 種語言
- 多任務：識別、翻譯、語言檢測
- 強魯棒性：對噪音、口音、專業術語表現好
- 開源：模型和代碼完全開放
模型規模：
- tiny：39M 參數，最快
- base：74M
- small：244M
- medium：769M
- large：1.5B，效果最好
使用方法：
- 命令行：whisper audio.mp3
- Python API
- 本地運行，無需網絡
- 支援 GPU/CPU
應用：
- 字幕生成：影片自動上字幕
- 會議紀錄：轉錄會議內容
- 語音輸入：替代打字
- 多語言內容處理
與其他 ASR 的比較：
- Google Speech-to-Text：雲端，需付費
- 科大讯飞：中文強，商業
- Whisper：開源、免費、多語言好
影響：
- 開源 ASR 的里程碑
- 許多應用的基礎組件
- 證明大規模弱監督學習的效果
是 語音辨識 (ASR / 自動語音辨識)、語音轉文字 (STT) 的現代標準工具。
標籤
開源