OpenAI: Whisper Large V3

OpenAI: Whisper Large V3 es un modelo de reconocimiento automático del habla de OpenAI, distribuido como código abierto. Se encuentra en la categoría de transcripción y es la versión grande de la familia Whisper, lo que significa que es la variante que OpenAI posiciona para la cobertura de idiomas más amplia y el audio más exigente. Si ya enrutas otros modelos de OpenAI a través de api14, este proviene del mismo proveedor y sigue las mismas convenciones.

El modelo toma audio como su única entrada y devuelve una transcripción como su salida. Según OpenAI, maneja tanto transcripción como traducción, por lo que puedes escribir el habla en su idioma original o convertirla a otro. Cubre más de 99 idiomas y acepta formatos de audio comunes, incluidos mp3, mp4, wav y webm. No hay una cifra de ventana de contexto para planificar aquí, y la salida máxima se indica como cero, así que considera el archivo de audio en sí, no un presupuesto de tokens, como aquello con lo que dimensionas tus solicitudes.

Esas capacidades apuntan a un conjunto bastante específico de trabajos. Las grabaciones de reuniones y llamadas se pueden convertir en texto para búsqueda, revisión o archivo. Las entrevistas y sesiones de investigación de usuarios se pueden transcribir en masa, incluido material en idiomas que tu equipo no habla, ya que el modelo cubre más de 99 idiomas. Los pódcasts, las clases y los archivos de video en mp3, mp4, wav o webm se pueden convertir en registros escritos o subtítulos. Debido a que la traducción es parte del mismo modelo, puedes enviar audio que no esté en inglés y obtener la salida en un idioma objetivo sin ejecutar un paso de traducción separado.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "openai/whisper-large-v3". Debido a que la interfaz coincide con la de OpenAI, las bibliotecas de cliente de OpenAI existentes y las formas de solicitud funcionan con solo cambiar la URL base y la clave. La lista de parámetros admitidos del modelo está vacía, así que no esperes ajustar el muestreo, la temperatura o perillas similares; envía el audio y lee la transcripción. Consulta la tabla de precios en vivo en esta página para conocer las tarifas actuales antes de comprometerte con una carga de trabajo.

Una advertencia práctica: este es un modelo de transcripción, no un modelo de chat o razonamiento. No toma indicaciones de texto como entrada y no produce salida conversacional, por lo que tareas como resumir una transcripción, responder preguntas sobre ella o generar código pertenecen a un modelo de texto. Un patrón común es encadenar los dos, usando Whisper Large V3 para producir la transcripción y un modelo de lenguaje separado para trabajar sobre el texto resultante. Si tu entrada ya es texto, o tu audio está en un idioma fuera del conjunto admitido, este modelo no es la opción adecuada.