OpenAI: Whisper 1

Whisper 1 est le modèle généraliste d’API de reconnaissance vocale d’OpenAI, documenté comme reposant sur le modèle open source Whisper V2. Il accepte un fichier audio et renvoie du texte. Le fabricant décrit la reconnaissance multilingue, l’identification de langue et une tâche distincte de traduction de la parole. La transcription préserve la langue parlée ; l’interface de traduction distincte du producteur renvoie du texte anglais.

Une application utile est la préparation d’un entretien, d’une note vocale ou d’une conversation enregistrée pour une recherche et des modifications ultérieures. Fournissez l’enregistrement complet et, lorsqu’elle est connue, sa langue d’entrée. OpenAI documente 98 langues prises en charge et précise que la précision de reconnaissance varie selon la langue. L’indication de langue unique utilise un code ISO 639-1 ; les champs multilingues et de mots-clés plus récents d’autres modèles de transcription sont des commandes distinctes.

Le processus de transcription de fichiers du producteur accepte des fichiers jusqu’à 25 MB au format MP3, MP4, MPEG, MPGA, M4A, WAV ou WebM. Pour un enregistrement plus volumineux, utilisez un format compressé ou divisez-le en segments respectant la limite. Préservez les limites de phrases et l’ordre des segments, afin que la transcription assemblée reste liée à l’enregistrement d’origine. Un conteneur vidéo fournit son audio pour cette tâche, plutôt qu’une entrée de description visuelle.

Un prompt peut fournir des noms, des acronymes ou du vocabulaire propre à l’enregistrement et du contexte issu d’un segment antérieur. La limite de prompt de Whisper est de 224 tokens et le prompt doit correspondre à la langue de l’audio. Le fabricant indique que Whisper ne suit pas les instructions comme un modèle textuel généraliste. Utilisez le prompt comme contexte pertinent de transcription, puis vérifiez les graphies importantes au regard de l’enregistrement, plutôt que de traiter une liste terminologique comme des mots nécessairement prononcés par le locuteur.

Le producteur documente les formats de transcription JSON, texte brut, SRT, VTT et JSON détaillé. Les horodatages par mot et par segment nécessitent le JSON détaillé ; l’une ou les deux granularités peuvent être demandées. La référence de l’API précise que les horodatages de segments n’ajoutent pas de latence, tandis que les horodatages de mots nécessitent un traitement supplémentaire. Ces sorties servent au sous-titrage et au repérage des passages pendant les modifications ; les annotations de diarisation des locuteurs relèvent d’un autre modèle spécialisé.

Whisper 1 ne prend pas en charge le streaming de transcription de fichiers. Sa référence documente aussi une température d’échantillonnage entre zéro et un ; à zéro, le modèle peut augmenter automatiquement la température lorsque ses seuils de décodage l’exigent. Cela décrit les commandes de traitement du producteur, plutôt qu’une promesse que chaque enregistrement produise une transcription identique ou parfaitement précise.

Définissez l’artefact final : une transcription pour la recherche, un fichier de sous-titres ou du texte avec l’horodatage des mots ou des segments. Gardez l’enregistrement d’origine, l’ordre des segments et les références temporelles sources pertinentes avec le résultat. Une étape ultérieure de modification textuelle peut corriger une faute de graphie ou préparer un résumé, mais comparez les changements à l’audio afin de préserver le sens du locuteur. Le texte reconnu devient un élément à examiner pour la tâche suivante, plutôt qu’une réponse générée à la question parlée.