OpenAI Whisper — это открытая система распознавания речи, которая обучена на 680 тысячах часов многоязычных данных. В отличие от других сервисов, которые «плывут» на необычных акцентах или зашумленных записях, Whisper спокойно справляется с самыми сложными аудиофайлами.
Живучесть как у танка: работа с любым качеством звука
Whisper не капризничает из-за фонового шума, музыки или плохого качества записи. Система обучена на реальных данных из интернета, где идеальный звук — редкость. Поэтому она легко расшифровывает разговоры в кафе, лекции в аудиториях с эхом и даже телефонные звонки с помехами.
Нейросеть автоматически определяет язык говорящего и может переключаться между языками в одной записи. Это особенно удобно для международных конференций или интервью на смешанных языках.
99 языков без исключений
От английского до суахили — Whisper понимает практически любой язык планеты. Система показывает одинаково высокую точность как для популярных языков, так и для редких диалектов. Русский язык распознается с точностью около 95%, что сопоставимо с коммерческими решениями.
Whisper скачать и настроить
Установка занимает несколько минут через pip install. Достаточно загрузить одну из пяти моделей — от tiny для быстрой работы до large для максимальной точности. Каждая модель работает локально, без отправки данных на сервера OpenAI.
Для обработки часового подкаста на среднем компьютере потребуется 10-15 минут. GPU ускоряет процесс в разы, но и на процессоре система работает вполне шустро.
Блог