OpenAI: Whisper 1

OpenAI: Whisper 1 é um modelo de reconhecimento automático de fala da OpenAI, distribuído através da sua API sob o id de modelo whisper-1. O próprio Whisper é a família de reconhecimento de fala de código aberto da OpenAI, e este endpoint expõe essa capacidade como um serviço hospedado. Situa-se na categoria de transcrição, pelo que a sua função é transformar fala gravada em texto escrito, em vez de gerar respostas conversacionais ou raciocinar sobre prompts.

O modelo recebe áudio como única entrada e devolve uma transcrição como saída. Trata tanto de transcrição como de tradução, e cobre mais de 50 idiomas. Os ficheiros de áudio podem ter até 25 MB de tamanho, e aceita uma variedade de formatos de áudio comuns. Não existe aqui uma janela de contexto de texto para gerir, porque o modelo não consome nem produz sequências de tokens no estilo de chat; a unidade de trabalho é um ficheiro de áudio, e o resultado é o texto correspondente. A página do modelo não lista quaisquer parâmetros de pedido ajustáveis, pelo que trabalha com os valores predefinidos que o endpoint fornece.

Como a saída é texto derivado de fala, os usos práticos decorrem diretamente. Pode transcrever gravações de reuniões, entrevistas, aulas, podcasts ou notas de voz para texto pesquisável e editável. A capacidade de tradução significa que áudio num dos idiomas suportados pode ser convertido em texto em inglês, o que é útil para arquivos multilingues ou gravações de apoio. A geração de subtítulos e legendas para vídeo é outra aplicação natural, tal como construir uma camada de texto sobre uma biblioteca de gravações de chamadas para revisão ou indexação posterior. Qualquer fluxo de trabalho em que o áudio precise de se tornar conteúdo escrito, com tamanhos de ficheiro até 25 MB, é um candidato.

Chamá-lo através do api14 funciona da mesma forma que qualquer outro modelo no gateway, usando a API compatível com OpenAI com o id de modelo openai/whisper-1. Envia o seu áudio para o endpoint de transcrição no formato que a API da OpenAI espera, e a resposta contém o texto transcrito. Uma vez que a lista de parâmetros suportados está vazia, não há controlos extra documentados para este modelo no api14; passa o áudio e o id de modelo e lê a transcrição de volta. Se a sua aplicação já fala a API da OpenAI, mudar para este modelo é uma questão de alterar o identificador do modelo.

Uma coisa a ter em conta é o limite de ficheiro de 25 MB. Gravações mais longas terão de ser divididas antes da submissão, e se o seu áudio exceder esse tamanho terá de o segmentar você mesmo ou pré-processá-lo. Note também que este modelo apenas produz transcrições; se precisar de um modelo que responda a perguntas, siga instruções ou gere texto, um modelo de chat ou de linguagem é a melhor escolha. O Whisper 1 é a escolha certa quando a tarefa é estritamente fala para texto.