Whisper

Whisper — це сімейство моделей розпізнавання мовлення з відкритим кодом, випущених OpenAI. Вона перетворює усне мовлення на текст, а багатомовні моделі large-v3 можуть перекладати мовлення з багатьох мов безпосередньо англійською. Ваги моделі опубліковані за ліцензією MIT, тож ви можете завантажити їх і запускати на власному обладнанні.

Поточний відкритий реліз — large-v3-turbo, оптимізована версія large-v3, випущена у вересні 2024 року. Вона зберігає майже всю точність повної моделі large-v3, працюючи приблизно у 8 разів швидше, що робить її набагато практичнішою для пакетної обробки та використання, близького до реального часу. Повна контрольна точка large-v3 все ще доступна, якщо потрібна максимально можлива якість. Сама Turbo не навчена для завдань перекладу; для перекладу мовлення англійською використовуйте інші багатомовні контрольні точки large-v3.

Поряд з відкритими моделями OpenAI пропонує хмарне транскрибування через свій API. Оригінальна кінцева точка whisper-1, разом з gpt-4o-transcribe, gpt-4o-mini-transcribe і gpt-4o-transcribe-diarize, була визнана застарілою у серпні 2026 року і запланована до видалення з API 26 лютого 2027 року. Тепер OpenAI рекомендує gpt-transcribe для транскрибування файлів і gpt-live-transcribe для потокового аудіо в реальному часі. gpt-realtime-whisper і gpt-realtime-translate також вказані на сторінці цін OpenAI.

Ціноутворення поділяється на два напрямки. Моделі з відкритим кодом безкоштовні у використанні — ви платите лише за власні обчислювальні ресурси. Хмарний API тарифікується за хвилину аудіо: gpt-transcribe коштує $0,0045/хв, gpt-live-transcribe і gpt-realtime-whisper коштують $0,017/хв, а gpt-realtime-translate коштує $0,034/хв. Застарілі моделі whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe і gpt-4o-transcribe-diarize залишаються платними за їхніми чинними тарифами за хвилину до їх видалення 26 лютого 2027 року.

Точність сильно варіюється залежно від мови. Whisper навчена приблизно на 99 мовах, але якість найвища для мов з великою кількістю ресурсів, таких як англійська, і помітно знижується для менш поширених мов. Запуск більших моделей локально також вимагає потужного GPU, і модель може іноді галюцинувати текст під час тривалих пауз у мовленні.

Whisper — гарний вибір, якщо вам потрібен безкоштовний, самостійно розміщуваний механізм транскрибування, широке багатомовне покриття або керований API без створення власного конвеєра обробки. Обирайте хмарні моделі gpt-transcribe або gpt-live-transcribe, якщо вам потрібне транскрибування файлів або живе транскрибування через API OpenAI, і плануйте перейти з будь-якої інтеграції, що досі використовує застарілі кінцеві точки.