OpenAI: Whisper Large V3 Turbo

Whisper large-v3-turbo, juga disebut Turbo, adalah model transkripsi OpenAI yang dioptimalkan dan diturunkan dari Whisper large-v3. Dekodernya dikurangi dari 32 lapisan menjadi empat, sementara enkodernya tetap memiliki 32 lapisan. Model yang dirilis memiliki sekitar 809 juta parameter. Tujuan pembuatnya adalah pengenalan ucapan yang lebih cepat dengan sedikit kompromi akurasi, bukan mode generasi audio yang berbeda. Ucapan yang direkam menjadi masukan dan teks hasil pengenalan menjadi keluaran.

Pengumuman peluncurannya membedakan penyiapan Turbo dari model Whisper lain yang didistilasi secara terpisah: Turbo disetel lebih lanjut selama dua epoch tambahan pada data transkripsi multibahasa, tanpa data penerjemahan. Perbedaan ini penting secara operasional. Repositori OpenAI menyatakan bahwa Turbo tidak dilatih untuk menerjemahkan ucapan non-Inggris ke bahasa Inggris dan dapat mengembalikan bahasa asli meskipun tugas penerjemahan diminta. Gunakan edisi ini untuk transkrip dalam bahasa yang sama; kebutuhan penerjemahan memerlukan model lain yang sesuai atau langkah terpisah setelah transkripsi.

Deteksi bahasa sumber dan pemilihan bahasa secara eksplisit tetap merupakan pilihan transkripsi yang berguna. Jika bahasa rekaman sudah diketahui, tentukan dalam arahan; jika belum, alur kerja yang didokumentasikan dapat mendeteksinya. Pertahankan nama, jumlah, dan kata yang diucapkan sebelum meminta penyuntingan apa pun. Catatan rapat, transkrip wawancara, atau teks kuliah kemudian dapat dicari, dianotasi, atau diringkas pada operasi berikutnya. Tugas pengenalan Turbo tidak boleh disamakan dengan sintesis suara, peniruan pembicara, atau penilaian semantik terhadap orang dalam rekaman.

Pemuat audio OpenAI mendekode berkas masukan menjadi sampel mono pada 16 kHz, dan model menggunakan jendela akustik 30 detik dengan 128 bin frekuensi Mel. Rekaman yang lebih panjang memerlukan inferensi berdurasi panjang. Pemrosesan berurutan bergerak melalui jendela secara berurutan; pendekatan berbasis potongan mentranskripsikan bagian yang tumpang tindih dan menyambungkan batasnya. Kartu model menyajikan pendekatan kedua sebagai pilihan yang berguna ketika memproses satu berkas panjang dengan waktu penyelesaian sebagai prioritas utama, sedangkan pemrosesan berurutan merupakan alternatif yang mengutamakan akurasi. Jendela maupun nama model tidak menetapkan ukuran berkas maksimum yang tetap untuk unggahan pada layanan yang dihosting.

Konfigurasi Turbo yang tepat mencantumkan 448 posisi dekoder untuk satu urutan dekode. Alur inferensi yang didokumentasikan dapat menyertakan waktu segmen atau kata bersama transkrip; penanda waktu mendukung navigasi dan pemformatan takarir berikutnya. Ini tidak otomatis menambahkan format berkas takarir atau label pembicara yang andal. Nyatakan apakah yang dibutuhkan adalah transkrip biasa atau segmen dengan penanda waktu, dan simpan rekaman asli untuk memeriksa bagian yang diperselisihkan. Pemrosesan berdurasi panjang dan pemformatan akhir terpisah dari identitas checkpoint.

Turbo mengurangi pekerjaan dekode, tetapi waktu yang sebenarnya diperlukan bergantung pada perangkat keras, panjang rekaman, bahasa, kecepatan bicara, dan pilihan inferensi. Pembuatnya mencatat penurunan kualitas yang lebih besar untuk beberapa bahasa, termasuk bahasa Thai dan Kanton, bukan perilaku yang seragam di semua bahasa. Bandingkan cuplikan yang representatif dalam bahasa sasaran sebelum menganggap kompromi yang mengutamakan kecepatan ini sesuai untuk semua materi. Untuk tugas pemrosesan arsip, sertakan kosakata sulit, jeda, serta bagian bising atau tumpang tindih dalam sampel tinjauan, bukan hanya kalimat pembuka yang bersih.

Kartu yang diterbitkan memuat keterbatasan penting pengenalan Whisper: teks prediksi dapat menyertakan kata yang tidak diucapkan, dan teks berulang dapat muncul. Hasil bervariasi antarbahasa, aksen, dan dialek, terutama ketika cakupan pelatihan terbatas. Kartu itu tidak menetapkan diarisasi atau klasifikasi pembicara pada model dasar sebagai kemampuan standar yang tangguh. Tinjauan praktis berfokus pada kesetiaan terhadap sumber: nama dan angka penting, ucapan yang terlewat, teks tak terduga saat hening, dan pengulangan. Transkrip yang terbaca tetap merupakan hasil yang perlu dibandingkan dengan rekaman, bukan jaminan pengenalan yang tepat.

Artefak akhir yang berguna adalah transkrip dalam bahasa sumber beserta penanda waktu yang diminta dan tautan yang jelas ke rekamannya. Pisahkan versi hasil pengenalan dari versi publikasi yang disunting agar perubahan dapat ditelusuri. Pertahankan nama large-v3-turbo ketika membandingkan edisi: model ini bukan large-v3 penuh dan tidak boleh diam-diam mewarisi tugas penerjemahan bahasa Inggris dari large-v3. Identitas berbobot terbuka ini juga tidak membawa batas unggahan, format wadah respons, atau janji streaming langsung dari layanan whisper-1 yang dihosting. Pilih Turbo ketika kompromi transkripsi yang didokumentasikan sesuai dengan materi yang sebenarnya dan waktu penyelesaian yang diinginkan.