Whisper
مدل تشخیص گفتار چندزبانهٔ OpenAI با وزن باز؛ زیرنویس، پیاده‌سازی جلسه و ترجمهٔ گفتار.
این صفحه برای آشنایی و مقایسه است و فعلاً این مدل از طریق IRNoti ارائه نمی‌شود. مدل‌های هم‌رده‌ای که می‌توانید همین حالا استفاده کنید را در فهرست مدل‌ها ببینید.
Whisper مدل تشخیص گفتار چندزبانه و وزن‌باز OpenAI است که روی داده‌های صوتی بسیار متنوع آموزش دیده و در برابر نویز و لهجه مقاوم است. می‌تواند گفتار را به متن تبدیل کند، زبان را تشخیص دهد و گفتار را مستقیماً به انگلیسی ترجمه کند.
برای زیرنویس ویدئو، پیاده‌سازی جلسه، تحلیل تماس‌های مرکز تماس و جستجو در آرشیو صوتی استفاده می‌شود. فارسی را پشتیبانی می‌کند ولی دقت آن به کیفیت صدا وابسته است و برای اسامی خاص و اصطلاحات تخصصی ممکن است نیاز به ویرایش باشد. وزن‌های باز امکان اجرا روی سرور شخصی را می‌دهند.
نقاط قوت
- پشتیبانی از دهها زبان از جمله فارسی
- مقاومت در برابر نویز و لهجه
- وزن باز و قابل اجرا محلی
- برچسب زمانی برای زیرنویس
محدودیت‌ها
- تفکیک گوینده ندارد
- در صداهای بسیار نویزی یا هم‌پوشان خطا دارد
- گاهی در سکوت‌های طولانی متن اضافه می‌سازد
کاربردها
- زیرنویس ویدئو
- صورت‌جلسه و پیاده‌سازی مصاحبه
- تحلیل تماس‌های ضبط‌شده
- جستجو در آرشیو صوتی
مشخصات
- ورودی
- صدا
- خروجی
- متن + زمان‌بندی
- وزن باز
- بله
سوالات متداول
آیا میتوانم گویندهها را جدا کنم؟
خود Whisper این کار را نمیکند؛ برای تفکیک گوینده باید از ابزار جداگانه استفاده کرد.
مدل‌های مرتبط
GPT-5
OpenAI · مدل‌های زبانی و چت
مدل پرچم‌دار خانوادهٔ GPT برای گفتگو، نوشتن، تحلیل و کدنویسی، با توانایی استدلال داخلی.
GPT-4o
OpenAI · مدل‌های زبانی و چت
مدل چندوجهی و سریع OpenAI؛ تعادل خوب بین کیفیت، سرعت و قیمت برای گفتگو و کاربردهای تجاری.
GPT-4o mini
OpenAI · مدل‌های زبانی و چت
نسخهٔ سبک و ارزان GPT-4o برای کارهای حجیم: دسته‌بندی، استخراج، پاسخ‌های کوتاه و چت‌بات.
OpenAI o3
OpenAI · مدل‌های استدلالی
مدل استدلالی OpenAI برای ریاضی، منطق، علوم و کدنویسی دشوار؛ پیش از پاسخ زمان بیشتری فکر می‌کند.