OpenAI: Whisper 1

Whisper 1 é o modelo de API da OpenAI para reconhecimento de fala de uso geral, documentado como sendo baseado no modelo de código aberto Whisper V2. Aceita um ficheiro de áudio e devolve texto. O fabricante descreve reconhecimento multilingue, identificação de idioma e uma tarefa separada de tradução de fala. A transcrição preserva o idioma falado; a interface separada de tradução do produtor devolve texto em inglês.

Uma aplicação útil é preparar uma entrevista, uma nota de voz ou uma conversa gravada para pesquisa e edição posteriores. Forneça a gravação concluída e, quando conhecido, o seu idioma de entrada. A OpenAI documenta 98 idiomas suportados e indica que a precisão do reconhecimento varia consoante o idioma. A indicação de um único idioma usa um código ISO 639-1; os campos mais recentes para vários idiomas e palavras-chave de outros modelos de transcrição são controlos separados.

O fluxo do produtor para transcrição de ficheiros aceita ficheiros até 25 MB nos formatos MP3, MP4, MPEG, MPGA, M4A, WAV ou WebM. Para uma gravação maior, use um formato comprimido ou divida-a em blocos dentro do limite. Preserve os limites das frases e a ordem dos blocos para que a transcrição reunida mantenha a ligação à gravação original. Um contentor de vídeo fornece o seu áudio para esta tarefa, e não uma entrada para descrição visual.

Um prompt pode fornecer nomes, siglas ou vocabulário específico da gravação, bem como contexto de um segmento anterior. O limite do prompt do Whisper é de 224 tokens, e o prompt deve corresponder ao idioma do áudio. O fabricante indica que o Whisper não segue instruções como um modelo de texto de uso geral. Use o prompt como contexto relevante para a transcrição e depois verifique as grafias importantes face à gravação, em vez de tratar uma lista terminológica como palavras que o locutor necessariamente pronunciou.

O produtor documenta os formatos de transcrição JSON, texto simples, SRT, VTT e JSON detalhado. As marcas temporais por palavra e por segmento exigem JSON detalhado; pode pedir uma ou ambas as granularidades. A referência da API indica que as marcas temporais por segmento não acrescentam latência, enquanto as marcas por palavra exigem processamento adicional. Estas saídas ajudam a criar legendas e a localizar trechos durante a edição; as anotações de diarização de locutores pertencem a outro modelo especializado.

O Whisper 1 não suporta streaming na transcrição de ficheiros. A sua referência documenta também uma temperatura de amostragem entre zero e um; a zero, o modelo pode aumentar automaticamente a temperatura quando os seus limiares de descodificação o exigem. Isto descreve os controlos de processamento do produtor, e não uma promessa de que todas as gravações produzam uma transcrição idêntica ou perfeitamente precisa.

Defina o artefacto final: uma transcrição para pesquisa, um ficheiro de legendas ou texto com temporização por palavra ou segmento. Conserve a gravação original, a ordem dos blocos e as referências temporais relevantes da fonte junto do resultado. Um passo posterior de edição de texto pode corrigir um erro ortográfico ou preparar um resumo, mas compare as alterações com o áudio para preservar o significado do que o locutor disse. O texto reconhecido torna-se uma base de evidência para a tarefa seguinte, em vez de uma resposta gerada à pergunta falada.