OpenAI: Whisper 1

OpenAI: Whisper 1 ist ein automatisches Spracherkennungsmodell von OpenAI, das über seine API unter der Modell-ID whisper-1 bereitgestellt wird. Whisper selbst ist OpenAIs Open-Source-Spracherkennungsfamilie, und dieser Endpunkt stellt diese Fähigkeit als gehosteten Dienst bereit. Es gehört zur Kategorie Transkription, seine Aufgabe ist es also, aufgezeichnete Sprache in geschriebenen Text umzuwandeln, statt Gesprächsantworten zu generieren oder über Prompts zu reasoning.

Das Modell nimmt Audio als einzige Eingabe und gibt eine Transkription als Ausgabe zurück. Es verarbeitet sowohl Transkription als auch Übersetzung und deckt mehr als 50 Sprachen ab. Audiodateien können bis zu 25 MB groß sein, und es akzeptiert eine Reihe gängiger Audioformate. Es gibt hier kein Textkontextfenster zu verwalten, weil das Modell keine Token-Sequenzen im Chat-Stil konsumiert oder produziert; die Arbeitseinheit ist eine Audiodatei, und das Ergebnis ist der entsprechende Text. Die Modellseite listet keine tunbaren Request-Parameter auf, Sie arbeiten also mit den Standardwerten, die der Endpunkt bereitstellt.

Da die Ausgabe aus Sprache abgeleiteter Text ist, ergeben sich die praktischen Anwendungen direkt. Sie können Meeting-Aufzeichnungen, Interviews, Vorlesungen, Podcasts oder Sprachnotizen in durchsuchbaren, editierbaren Text transkribieren. Die Übersetzungsfähigkeit bedeutet, dass Audio in einer der unterstützten Sprachen in englischen Text übertragen werden kann, was für mehrsprachige Archive oder Support-Aufzeichnungen nützlich ist. Die Erzeugung von Untertiteln und Captions für Video ist ein weiterer natürlicher Anwendungsfall, ebenso wie der Aufbau einer Textebene über einer Bibliothek von Anrufaufzeichnungen für spätere Überprüfung oder Indexierung. Jeder Workflow, bei dem Audio zu geschriebenem Inhalt werden muss, bei Dateigrößen bis zu 25 MB, ist ein Kandidat.

Der Aufruf über api14 funktioniert genauso wie bei jedem anderen Modell auf dem Gateway, unter Verwendung der OpenAI-kompatiblen API mit der Modell-ID openai/whisper-1. Sie senden Ihr Audio an den Transkriptions-Endpunkt in dem Format, das die OpenAI-API erwartet, und die Antwort enthält den transkribierten Text. Da die Liste der unterstützten Parameter leer ist, gibt es keine zusätzlichen Stellschrauben, die für dieses Modell auf api14 dokumentiert sind; Sie übergeben das Audio und die Modell-ID und lesen die Transkription zurück. Wenn Ihre Anwendung bereits die OpenAI-API spricht, ist der Wechsel zu diesem Modell eine Frage des Änderns der Modellkennung.

Eine Sache, die Sie beachten sollten, ist das Dateilimit von 25 MB. Längere Aufzeichnungen müssen vor der Übermittlung aufgeteilt werden, und wenn Ihr Audio diese Größe überschreitet, müssen Sie es selbst segmentieren oder vorverarbeiten. Beachten Sie außerdem, dass dieses Modell nur Transkriptionen erzeugt; wenn Sie ein Modell benötigen, das Fragen beantwortet, Anweisungen befolgt oder Text generiert, ist ein Chat- oder Sprachmodell die bessere Wahl. Whisper 1 ist die richtige Wahl, wenn die Aufgabe strikt Speech-to-Text ist.