OpenAI: Whisper 1

Whisper 1 es el modelo API de reconocimiento de voz de uso general de OpenAI, documentado como basado en el modelo Whisper V2 de código abierto. Acepta un archivo de audio y devuelve texto. El fabricante describe reconocimiento multilingüe, identificación de idioma y una tarea separada de traducción de voz. La transcripción conserva el idioma hablado; la interfaz separada de traducción del productor devuelve texto en inglés.

Una aplicación útil es preparar una entrevista, nota de voz o conversación grabada para búsqueda y edición posteriores. Proporciona la grabación terminada y, cuando se conozca, su idioma de entrada. OpenAI documenta 98 idiomas compatibles y señala que la precisión del reconocimiento varía según el idioma. La indicación de un solo idioma utiliza un código ISO 639-1; los campos más nuevos de varios idiomas y palabras clave de otros modelos de transcripción son controles separados.

El flujo de transcripción de archivos del productor acepta archivos de hasta 25 MB en formato MP3, MP4, MPEG, MPGA, M4A, WAV o WebM. Para una grabación más grande, utiliza un formato comprimido o divídela en fragmentos dentro del límite. Conserva los límites de frases y el orden de fragmentos para que la transcripción ensamblada siga conectada con la grabación original. Un contenedor de video aporta su audio para esta tarea, en lugar de ser una entrada de descripción visual.

Un prompt puede proporcionar nombres, siglas o vocabulario específico de la grabación y contexto de un segmento anterior. El límite de prompt de Whisper es de 224 tokens y el prompt debe coincidir con el idioma del audio. El fabricante afirma que Whisper no sigue instrucciones como un modelo textual de uso general. Utiliza el prompt como contexto pertinente de transcripción y después comprueba las grafías importantes frente a la grabación, en lugar de tratar una lista terminológica como palabras que el hablante necesariamente haya dicho.

El productor documenta formatos de transcripción JSON, texto sin formato, SRT, VTT y JSON detallado. Las marcas de tiempo de palabras y segmentos requieren JSON detallado; pueden solicitarse una o ambas granularidades. La referencia API señala que los tiempos de segmento no añaden latencia extra, mientras que los tiempos de palabra requieren procesamiento adicional. Estas salidas permiten subtitulado y localización de pasajes durante la edición; las anotaciones de diarización de hablantes corresponden a un modelo especializado diferente.

Whisper 1 no admite streaming de transcripción de archivos. Su referencia también documenta una temperatura de muestreo entre cero y uno; con cero, el modelo puede aumentar automáticamente la temperatura cuando lo requieran sus umbrales de decodificación. Esto describe los controles de procesamiento del productor, en lugar de prometer que todas las grabaciones produzcan una transcripción idéntica o perfectamente precisa.

Define el artefacto final: una transcripción para búsqueda, un archivo de subtítulos o texto con tiempos de palabras o segmentos. Conserva la grabación original, el orden de fragmentos y las referencias temporales pertinentes de origen junto con el resultado. Un paso posterior de edición textual puede corregir una errata o preparar un resumen, pero compara los cambios con el audio para conservar el significado del hablante. El texto reconocido se convierte en evidencia para la siguiente tarea, en lugar de una respuesta generada a la pregunta hablada.