OpenAI: Whisper Large V3

OpenAI : Whisper Large V3 est un modèle de reconnaissance automatique de la parole d'OpenAI, distribué en open source. Il appartient à la catégorie de la transcription et constitue la version large de la famille Whisper, ce qui signifie qu'il s'agit de la variante qu'OpenAI positionne pour la couverture linguistique la plus large et les contenus audio les plus exigeants. Si vous acheminez déjà d'autres modèles OpenAI via api14, celui-ci provient du même fournisseur et suit les mêmes conventions.

Le modèle prend l'audio comme seule entrée et renvoie une transcription comme sortie. Selon OpenAI, il gère à la fois la transcription et la traduction, vous pouvez donc soit retranscrire la parole dans sa langue d'origine, soit la restituer dans une autre langue. Il couvre plus de 99 langues et accepte les formats audio courants, notamment mp3, mp4, wav et webm. Il n'y a pas de fenêtre de contexte à prendre en compte ici, et la sortie maximale est indiquée comme zéro, donc considérez le fichier audio lui-même, et non un budget de tokens, comme l'élément sur lequel dimensionner vos requêtes.

Ces capacités correspondent à un ensemble de tâches assez spécifique. Les enregistrements de réunions et d'appels peuvent être convertis en texte pour la recherche, la relecture ou l'archivage. Les entretiens et les sessions de recherche utilisateur peuvent être transcrits en masse, y compris des contenus dans des langues que votre équipe ne parle pas, puisque le modèle couvre plus de 99 langues. Les podcasts, les cours et les fichiers vidéo en mp3, mp4, wav ou webm peuvent être transformés en comptes rendus écrits ou en sous-titres. Comme la traduction fait partie du même modèle, vous pouvez envoyer de l'audio non anglais et obtenir une sortie dans une langue cible sans exécuter une étape de traduction séparée.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "openai/whisper-large-v3". Comme l'interface correspond à celle d'OpenAI, les bibliothèques clientes OpenAI existantes et les structures de requête fonctionnent avec seulement l'URL de base et la clé modifiées. La liste des paramètres pris en charge par le modèle est vide, donc ne vous attendez pas à ajuster l'échantillonnage, la température ou des réglages similaires ; envoyez l'audio et récupérez la transcription. Consultez le tableau des tarifs en direct sur cette page pour connaître les tarifs actuels avant de vous engager sur une charge de travail.

Une mise en garde pratique : il s'agit d'un modèle de transcription, pas d'un modèle de chat ou de raisonnement. Il ne prend pas d'invites textuelles en entrée et ne produit pas de sortie conversationnelle, donc des tâches comme résumer une transcription, répondre à des questions à son sujet ou générer du code relèvent d'un modèle de texte. Un schéma courant consiste à enchaîner les deux, en utilisant Whisper Large V3 pour produire la transcription et un modèle de langage distinct pour travailler sur le texte obtenu. Si votre entrée est déjà du texte, ou si votre audio est dans une langue en dehors de l'ensemble pris en charge, ce modèle n'est pas adapté.