OpenAI: Whisper 1

Whisper 1 ist OpenAIs allgemeines Spracherkennungs-API-Modell, laut Dokumentation auf Basis des Open-Source-Modells Whisper V2. Es akzeptiert eine Audiodatei und gibt Text zurück. Der Hersteller beschreibt mehrsprachige Erkennung, Sprachidentifikation und eine separate Aufgabe zur Sprachübersetzung. Transkription bewahrt die gesprochene Sprache; die separate Übersetzungsschnittstelle des Anbieters gibt englischen Text zurück.

Eine nützliche Anwendung ist die Vorbereitung eines Interviews, einer Sprachnotiz oder eines aufgezeichneten Gesprächs für spätere Suche und Bearbeitung. Stellen Sie die abgeschlossene Aufnahme und, wenn bekannt, ihre Eingabesprache bereit. OpenAI dokumentiert 98 unterstützte Sprachen und weist auf sprachabhängige Erkennungsgenauigkeit hin. Der einzelne Sprachhinweis verwendet einen ISO-639-1-Code; die neueren Mehrsprachen- und Keyword-Felder anderer Transkriptionsmodelle sind separate Steuerelemente.

Der Dateitranskriptionsablauf des Anbieters akzeptiert Dateien bis zu 25 MB im Format MP3, MP4, MPEG, MPGA, M4A, WAV oder WebM. Verwenden Sie für größere Aufnahmen ein komprimiertes Format oder teilen Sie sie in Abschnitte innerhalb der Grenze auf. Bewahren Sie Satzgrenzen und Abschnittsreihenfolge, damit das zusammengeführte Transkript mit der Originalaufnahme verbunden bleibt. Ein Videocontainer liefert für diese Aufgabe sein Audio und keine Eingabe für eine visuelle Beschreibung.

Ein Prompt kann Namen, Akronyme oder aufnahmespezifisches Vokabular und Kontext aus einem früheren Segment liefern. Whispers Prompt-Grenze beträgt 224 Tokens, und der Prompt sollte zur Audiosprache passen. Der Hersteller erklärt, dass Whisper Anweisungen nicht wie ein allgemeines Textmodell befolgt. Verwenden Sie den Prompt als relevanten Transkriptionskontext und prüfen Sie wichtige Schreibweisen anschließend anhand der Aufnahme, statt eine Begriffsliste als vom Sprecher zwingend gesprochene Wörter zu behandeln.

Der Anbieter dokumentiert JSON, Klartext, SRT, VTT und ausführliches JSON als Transkriptionsformate. Wort- und Segmentzeitstempel erfordern ausführliches JSON; eine oder beide Granularitäten können angefordert werden. Die API-Referenz merkt an, dass Segmentzeitstempel keine zusätzliche Latenz verursachen, während Wortzeitstempel zusätzliche Verarbeitung benötigen. Diese Ausgaben unterstützen Untertitelung und das Auffinden von Passagen während der Bearbeitung; Annotationen zur Sprechertrennung gehören zu einem anderen spezialisierten Modell.

Whisper 1 unterstützt kein Streaming bei der Dateitranskription. Seine Referenz dokumentiert außerdem eine Sampling-Temperatur zwischen null und eins; bei null kann das Modell die Temperatur automatisch erhöhen, wenn seine Dekodierungsschwellen dies erfordern. Dies beschreibt Verarbeitungseinstellungen des Anbieters und verspricht nicht für jede Aufnahme ein identisches oder vollkommen genaues Transkript.

Definieren Sie das abschließende Artefakt: ein Transkript zur Suche, eine Untertiteldatei oder Text mit Wort-/Segmentzeiten. Bewahren Sie Originalaufnahme, Abschnittsreihenfolge und relevante Quellzeitverweise beim Ergebnis. Ein späterer Textbearbeitungsschritt kann einen Schreibfehler korrigieren oder eine Zusammenfassung vorbereiten; vergleichen Sie Änderungen aber mit dem Audio, damit die vom Sprecher gemeinte Aussage erhalten bleibt. Der erkannte Text wird zum Beleg für die nächste Aufgabe und nicht zu einer generierten Antwort auf die gesprochene Frage.