ویسپر (سیستم بازشناسی گفتار)

ویسپر (سیستم بازشناسی گفتار)
نویسنده(های); اصلی	اوپن‌ای‌آی
انتشار اولیه	۲۱ سپتامبر ۲۰۲۲
مخزن	https://github.com/openai/whisper
نوشته‌شده با	پایتون
نوع	نرم‌افزار ترانویسی; ترنسفورمر; مدل‌های بنیادی; مدل آکوستیک;
مجوز	پروانه ام‌آی‌تی

ویسپر (به انگلیسی: Whisper) یک مدل یادگیری ماشینی برای تشخیص و ترانویسی گفتار است که توسط اوپن‌ای‌آی تولید شد و اولین بار به صورت منبع باز در سپتامبر ۲۰۲۲ منتشر شد.^[۲]

این مدل قادر به رونویسی گفتار به زبان انگلیسی و چندین زبان دیگر است و همچنین قادر است چندین زبان غیر انگلیسی را به انگلیسی ترجمه کند.^[۱] به گفته اوپن‌ای‌آی در این مدل ترکیبی از داده‌های آموزشی مختلف استفاده شده که منجر به بهبود شناخت لهجه‌ها، نویز پس زمینه و اصطلاحات تخصصی (در مقایسه با مدل قبلی) شده است.^[۳]

ویسپر یک مدل آکوستیک یادگیری عمیق با نظارت ضعیف است که با استفاده از معماری ترنسفورمر ساخته شده است.^[۱] ویسپر در در مقایسه با دیگر مدل‌ها، ۵۰٪ خطاهای کمتری ایجاد می‌کند.^[۴] ویسپر نسبت به رونویسی زبان‌های مختلف، نرخ خطای متفاوتی دارد، با نرخ خطای کلمه بالاتر در زبان‌هایی که به خوبی در داده‌های آموزشی نشان داده نشده‌اند.^[۵]

نسخه دوم ویسپر در ۸ دسامبر ۲۰۲۲ منتشر شد.^[۶] نسخه سوم در نوامبر ۲۰۲۳ منتشر شد.^[۷]

منابع

↑ ^۱٫۰ ^۱٫۱ ^۱٫۲ Radford, Alec; Kim, Jong Wook; Xu, Tao; Brockman, Greg; McLeavey, Christine; Sutskever, Ilya (2022-12-06). "Robust Speech Recognition via Large-Scale Weak Supervision". arXiv:2212.04356 [eess.AS].
↑ Golla, Ramsri Goutham (2023-03-06). "Here Are Six Practical Use Cases for the New Whisper API". Slator (به انگلیسی). Archived from the original on 2023-03-25. Retrieved 2023-08-12.
↑ Wiggers, Kyle (September 21, 2022). "OpenAI open-sources Whisper, a multilingual speech recognition system". TechCrunch (به انگلیسی). Archived from the original on February 12, 2023. Retrieved February 12, 2023.
↑ "Introducing Whisper". openai.com (به انگلیسی). 2022-09-21. Archived from the original on 2023-08-20. Retrieved 2023-08-21.
↑ Wiggers, Kyle (2023-03-01). "OpenAI debuts Whisper API for speech-to-text transcription and translation". TechCrunch (به انگلیسی). Archived from the original on 2023-07-18. Retrieved 2023-08-21.
↑ "Announcing the large-v2 model · openai/whisper · Discussion #661". GitHub (به انگلیسی). Retrieved 2024-01-08.
↑ OpenAI DevDay: Opening Keynote (به انگلیسی), retrieved 2024-01-08

این یک مقالهٔ خرد هوش مصنوعی است. می‌توانید با گسترش آن به ویکی‌پدیا کمک کنید.

[paper-1] ۱٫۰ ^۱٫۱ ^۱٫۲ Radford, Alec; Kim, Jong Wook; Xu, Tao; Brockman, Greg; McLeavey, Christine; Sutskever, Ilya (2022-12-06). "Robust Speech Recognition via Large-Scale Weak Supervision". arXiv:2212.04356 [eess.AS].

[2] Golla, Ramsri Goutham (2023-03-06). "Here Are Six Practical Use Cases for the New Whisper API". Slator (به انگلیسی). Archived from the original on 2023-03-25. Retrieved 2023-08-12.

[3] Wiggers, Kyle (September 21, 2022). "OpenAI open-sources Whisper, a multilingual speech recognition system". TechCrunch (به انگلیسی). Archived from the original on February 12, 2023. Retrieved February 12, 2023.

[whisperoff-4] "Introducing Whisper". openai.com (به انگلیسی). 2022-09-21. Archived from the original on 2023-08-20. Retrieved 2023-08-21.

[5] Wiggers, Kyle (2023-03-01). "OpenAI debuts Whisper API for speech-to-text transcription and translation". TechCrunch (به انگلیسی). Archived from the original on 2023-07-18. Retrieved 2023-08-21.

[6] "Announcing the large-v2 model · openai/whisper · Discussion #661". GitHub (به انگلیسی). Retrieved 2024-01-08.

[7] OpenAI DevDay: Opening Keynote (به انگلیسی), retrieved 2024-01-08

[۱]

[۲]

[۳]

[۴]

[۵]

[۶]

[۷]