OpenAI: Whisper Large V3

OpenAI: Whisper Large V3 ist ein automatisches Spracherkennungsmodell von OpenAI, das als Open Source vertrieben wird. Es gehört zur Kategorie Transkription und ist die große Version der Whisper-Familie, was bedeutet, dass es die Variante ist, die OpenAI für die breiteste Sprachabdeckung und die anspruchsvollsten Audiodaten positioniert. Wenn Sie bereits andere OpenAI-Modelle über api14 leiten, stammt dieses vom selben Anbieter und folgt denselben Konventionen.

Das Modell nimmt Audio als einzige Eingabe und gibt eine Transkription als Ausgabe zurück. Laut OpenAI verarbeitet es sowohl Transkription als auch Übersetzung, sodass Sie Sprache entweder in ihrer Originalsprache verschriftlichen oder in eine andere Sprache übertragen können. Es deckt mehr als 99 Sprachen ab und akzeptiert gängige Audioformate, darunter mp3, mp4, wav und webm. Es gibt hier keine Kontextfenster-Angabe, mit der Sie planen können, und die maximale Ausgabe ist mit null angegeben, behandeln Sie also die Audiodatei selbst und nicht ein Token-Budget als die Größe, an der Sie Ihre Anfragen ausrichten.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Aufgaben hin. Meeting- und Anrufaufzeichnungen können für Suche, Überprüfung oder Archivierung in Text umgewandelt werden. Interviews und Nutzerforschungssitzungen können in großen Mengen transkribiert werden, einschließlich Material in Sprachen, die Ihr Team nicht spricht, da das Modell über 99 Sprachen abdeckt. Podcasts, Vorlesungen und Videodateien in mp3, mp4, wav oder webm können in schriftliche Aufzeichnungen oder Untertitel umgewandelt werden. Da die Übersetzung Teil desselben Modells ist, können Sie nicht-englischsprachiges Audio senden und eine Ausgabe in einer Zielsprache erhalten, ohne einen separaten Übersetzungsschritt auszuführen.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "openai/whisper-large-v3" auf. Da die Schnittstelle mit der von OpenAI übereinstimmt, funktionieren bestehende OpenAI-Client-Bibliotheken und Anforderungsformen, wenn nur die Basis-URL und der Schlüssel geändert werden. Die Liste der unterstützten Parameter des Modells ist leer, erwarten Sie also nicht, Sampling, Temperatur oder ähnliche Stellschrauben anzupassen; senden Sie das Audio und lesen Sie die Transkription zurück. Prüfen Sie die aktuelle Preistabelle auf dieser Seite auf die derzeitigen Tarife, bevor Sie sich für eine Arbeitslast entscheiden.

Ein praktischer Vorbehalt: Dies ist ein Transkriptionsmodell, kein Chat- oder Reasoning-Modell. Es nimmt keine Textaufforderungen als Eingabe und erzeugt keine konversationelle Ausgabe, daher gehören Aufgaben wie das Zusammenfassen eines Transkripts, das Beantworten von Fragen dazu oder das Generieren von Code zu einem Textmodell. Ein übliches Muster ist, die beiden zu verketten, Whisper Large V3 zur Erstellung des Transkripts zu verwenden und ein separates Sprachmodell für die Arbeit am resultierenden Text. Wenn Ihre Eingabe bereits Text ist oder Ihr Audio in einer Sprache außerhalb der unterstützten Menge vorliegt, ist dieses Modell nicht die richtige Wahl.