OpenAI: Whisper Large V3 Turbo

Whisper large-v3-turbo, juga dipanggil Turbo, ialah model transkripsi OpenAI yang dioptimumkan dan diterbitkan daripada Whisper large-v3. Penyahkodnya dikurangkan daripada 32 lapisan kepada empat, manakala pengekodnya kekal pada 32 lapisan. Model yang dikeluarkan mempunyai kira-kira 809 juta parameter. Tujuan pengeluar ialah pengecaman pertuturan yang lebih pantas dengan sedikit kompromi ketepatan, bukannya mod penjanaan audio yang berbeza. Pertuturan yang dirakam ialah input dan teks yang dikenal pasti ialah hasilnya.

Pengumuman keluaran membezakan penyediaan Turbo daripada model Whisper lain yang disuling secara berasingan: Turbo ditala halus selama dua epok tambahan pada data transkripsi berbilang bahasa, tidak termasuk data terjemahan. Perbezaan ini penting dari segi operasi. Repositori OpenAI menyatakan bahawa Turbo tidak dilatih untuk menterjemah pertuturan bukan bahasa Inggeris ke bahasa Inggeris dan boleh mengembalikan bahasa asal walaupun tugasan terjemahan diminta. Gunakan edisi ini untuk transkrip dalam bahasa yang sama; keperluan terjemahan memerlukan model lain yang sesuai atau langkah berasingan selepas transkripsi.

Pengesanan bahasa sumber dan pemilihan bahasa secara jelas kekal sebagai pilihan transkripsi yang berguna. Jika bahasa rakaman sudah diketahui, nyatakannya dalam arahan; jika tidak, aliran kerja yang didokumentasikan boleh mengesannya. Kekalkan nama, kuantiti dan perkataan yang dituturkan sebelum meminta sebarang penyuntingan. Rekod mesyuarat, transkrip temu bual atau teks kuliah kemudian boleh dicari, dianotasi atau diringkaskan dalam operasi seterusnya. Tugasan pengecaman Turbo tidak patut dikelirukan dengan sintesis suara, peniruan penutur atau penilaian semantik tentang orang dalam rakaman.

Pemuat audio OpenAI menyahkod fail input kepada sampel mono pada 16 kHz, dan model menggunakan tetingkap akustik 30 saat dengan 128 bin frekuensi Mel. Rakaman lebih panjang memerlukan inferens bentuk panjang. Pemprosesan berjujukan bergerak melalui tetingkap mengikut urutan; pendekatan berasaskan cebisan mentranskripsikan bahagian bertindih dan menyambungkan sempadannya. Kad model membentangkan pendekatan kedua sebagai berguna apabila memproses satu fail panjang dengan masa penyelesaian sebagai keutamaan utama, manakala pengendalian berjujukan ialah alternatif yang mengutamakan ketepatan. Tetingkap mahupun nama model tidak menetapkan saiz fail maksimum yang tetap untuk muat naik pada perkhidmatan hos.

Konfigurasi Turbo yang tepat menyenaraikan 448 kedudukan penyahkod untuk satu jujukan penyahkodan. Aliran kerja inferens yang didokumentasikan boleh menyertakan pemasaan segmen atau perkataan bersama transkrip; pemasaan menyokong navigasi dan pemformatan kapsyen kemudian. Ia tidak menambahkan format fail sari kata atau label penutur yang boleh dipercayai secara automatik. Nyatakan sama ada transkrip biasa atau segmen berpemasa diperlukan, dan simpan rakaman asal untuk menyemak petikan yang dipertikaikan. Pemprosesan bentuk panjang dan sebarang pemformatan akhir berasingan daripada identiti checkpoint.

Turbo mengurangkan kerja penyahkodan, tetapi masa sebenar yang diperlukan bergantung pada perkakasan, panjang rakaman, bahasa, kadar pertuturan dan pilihan inferens. Pengeluar menyatakan kemerosotan kualiti yang lebih besar bagi sesetengah bahasa, termasuk Thai dan Kantonis, bukannya tingkah laku seragam di semua bahasa. Bandingkan petikan yang mewakili bahan sebenar dalam bahasa sasaran sebelum menganggap kompromi yang mengutamakan kelajuan itu sesuai untuk semua bahan. Untuk tugasan pemprosesan arkib, sertakan kosa kata sukar, jeda dan petikan bising atau bertindih dalam sampel semakan, bukan hanya ayat pembukaan yang bersih.

Kad yang diterbitkan menyertakan batasan penting pengecaman Whisper: teks yang diramalkan boleh mengandungi perkataan yang tidak dituturkan, dan teks berulang boleh berlaku. Hasil berbeza mengikut bahasa, loghat dan dialek, khususnya apabila liputan latihan terhad. Kad itu tidak membuktikan diarisasi atau pengelasan penutur pada model asas sebagai keupayaan standard yang teguh. Semakan praktikal berfokus pada kesetiaan kepada sumber: nama dan nombor penting, pertuturan yang tertinggal, teks tidak dijangka ketika senyap dan pengulangan. Transkrip yang boleh dibaca kekal sebagai hasil untuk dibandingkan dengan rakaman, bukannya jaminan pengecaman tepat.

Artifak siap yang berguna ialah transkrip bahasa sumber dengan sebarang pemasaan yang diminta dan pautan yang jelas kepada rakamannya. Pisahkan versi hasil pengecaman daripada versi penerbitan yang disunting supaya perubahan boleh dijejaki. Kekalkan nama large-v3-turbo apabila membandingkan edisi: model ini bukan model large-v3 penuh dan tidak patut mewarisi tugasan terjemahan bahasa Inggeris large-v3 secara senyap. Identiti pemberat terbuka ini juga tidak membawa had muat naik, bekas respons atau janji penstriman langsung daripada perkhidmatan whisper-1 yang dihoskan. Pilih Turbo apabila kompromi transkripsi yang didokumentasikan sesuai dengan bahan sebenar dan masa penyelesaian yang diingini.