OpenAI: Whisper Large V3 Turbo

Whisper large-v3-turbo, nazývaný také Turbo, je optimalizovaný model OpenAI pro přepis odvozený z Whisper large-v3. Dekodér byl zmenšen z 32 vrstev na čtyři, zatímco enkodér zůstává na 32 vrstvách. Vydaný model má přibližně 809 milionů parametrů. Záměrem výrobce je rychlejší rozpoznávání řeči s mírným kompromisem v přesnosti, nikoli jiný režim generování zvuku. Vstupem je zaznamenaná řeč a výsledkem rozpoznaný text.

Oznámení vydání odlišuje přípravu Turbo od samostatně destilovaného modelu Whisper: Turbo bylo doladěno během dalších dvou epoch na vícejazyčných přepisových datech s vyloučením překladových dat. Tento rozdíl je provozně důležitý. Repozitář OpenAI uvádí, že Turbo není trénováno pro překlad neanglické řeči do angličtiny a může vrátit původní jazyk i při požadavku na překlad. Tuto edici používejte pro přepis ve stejném jazyce; požadavek na překlad patří jinému vhodnému modelu nebo samostatnému kroku po přepisu.

Detekce zdrojového jazyka a výslovný výběr jazyka zůstávají užitečnými volbami přepisu. Pokud je jazyk nahrávky známý, určete jej v zadání; jinak jej dokumentovaný postup může detekovat. Před žádostí o redakční úpravu zachovejte jména, množství a vyslovená slova. Zápis schůzky, přepis rozhovoru či text přednášky pak lze vyhledávat, anotovat nebo shrnout v pozdější operaci. Rozpoznávací úlohu Turbo nezaměňujte se syntézou hlasu, napodobováním mluvčího nebo sémantickým posuzováním lidí v nahrávce.

Načítací modul zvuku OpenAI dekóduje vstupní soubory na monofonní vzorky při 16 kHz a model používá 30sekundové akustické okno se 128 frekvenčními pásmy ve škále Mel. Delší nahrávky vyžadují inferenci dlouhých záznamů. Sekvenční zpracování postupuje okny v pořadí; blokový přístup přepisuje překrývající se části a spojuje jejich hranice. Karta modelu uvádí druhý přístup jako užitečný pro jediný dlouhý soubor, pokud je prioritou čas získání výsledku, zatímco sekvenční zpracování je alternativou zaměřenou na přesnost. Ani okno, ani název modelu neurčují pevnou maximální velikost souboru pro hostované nahrání.

Přesná konfigurace Turbo uvádí 448 pozic dekodéru pro jednu dekódovací sekvenci. Dokumentovaný inferenční postup může vedle přepisu zahrnout časy segmentů či slov; časové údaje podporují navigaci a pozdější formátování titulků. Nepřidávají automaticky formát titulkového souboru ani spolehlivé štítky mluvčích. Uveďte, zda je třeba prostý přepis nebo časované segmenty, a uchovejte původní nahrávku pro kontrolu sporných pasáží. Zpracování dlouhých záznamů a jakékoli konečné formátování jsou oddělené od identity této verze vah.

Turbo omezuje práci při dekódování, ale skutečný potřebný čas závisí na hardwaru, délce nahrávky, jazyku, tempu řeči a inferenčních volbách. Producent uvádí větší zhoršení kvality u některých jazyků včetně thajštiny a kantonštiny, nikoli stejné chování všude. Porovnejte reprezentativní úryvek v zamýšleném jazyce před přijetím rychlostního kompromisu jako vhodného pro veškerý materiál. U zpracování archivu zahrňte do kontrolního vzorku obtížnou slovní zásobu, pauzy a hlučné či překrývající se pasáže, ne pouze čistou úvodní větu.

Publikovaná karta zachovává podstatná rozpoznávací omezení Whisper: předpovězený text může obsahovat nevyslovená slova a text se může opakovat. Výsledky se liší mezi jazyky, přízvuky a dialekty, zvláště při omezeném pokrytí trénováním. Karta nedokládá diarizaci základního modelu ani klasifikaci mluvčích jako robustní standardní schopnosti. Praktická kontrola se soustředí na věrnost zdroji: důležitá jména a čísla, vynechanou řeč, nečekaný text během ticha a opakování. Čitelný přepis zůstává výsledkem k porovnání s nahrávkou, nikoli zárukou přesného rozpoznání.

Užitečný dokončený výstup je přepis ve zdrojovém jazyce s případným požadovaným časováním a jasným propojením s nahrávkou. Rozpoznanou verzi držte odděleně od redakčně upravené publikační verze, aby změny byly dohledatelné. Při porovnávání edic zachovejte název large-v3-turbo: nejde o plný model large-v3 a nemá tiše přebírat jeho úlohu překladu do angličtiny. Tato identita modelu s otevřenými vahami také nepřebírá limity nahrávání, formáty odpovědí ani přísliby živého streamování hostované služby whisper-1. Turbo zvolte, pokud dokumentovaný kompromis přepisu odpovídá skutečnému materiálu a požadovanému času dokončení.