OpenAI: Whisper Large V3

OpenAI: Whisper Large V3 é um modelo de reconhecimento automático de fala da OpenAI, distribuído como código aberto. Ele está na categoria de transcrição e é a versão grande da família Whisper, o que significa que é a variante que a OpenAI posiciona para a maior cobertura de idiomas e o áudio mais exigente. Se você já encaminha outros modelos da OpenAI através da api14, este vem do mesmo provedor e segue as mesmas convenções.

O modelo recebe áudio como sua única entrada e retorna uma transcrição como saída. Segundo a OpenAI, ele lida tanto com transcrição quanto com tradução, então você pode tanto escrever a fala no idioma original quanto convertê-la para outro. Ele cobre mais de 99 idiomas e aceita formatos de áudio comuns, incluindo mp3, mp4, wav e webm. Não há um número de janela de contexto para planejar aqui, e a saída máxima está listada como zero, então trate o próprio arquivo de áudio, não um orçamento de tokens, como aquilo com base no qual você dimensiona suas requisições.

Essas capacidades apontam para um conjunto bastante específico de tarefas. Gravações de reuniões e chamadas podem ser convertidas em texto para busca, revisão ou arquivamento. Entrevistas e sessões de pesquisa com usuários podem ser transcritas em massa, incluindo material em idiomas que sua equipe não fala, já que o modelo cobre mais de 99 idiomas. Podcasts, palestras e arquivos de vídeo em mp3, mp4, wav ou webm podem ser transformados em registros escritos ou legendas. Como a tradução faz parte do mesmo modelo, você pode enviar áudio que não esteja em inglês e obter saída em um idioma de destino sem executar uma etapa separada de tradução.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo "openai/whisper-large-v3". Como a interface corresponde à da OpenAI, bibliotecas de cliente OpenAI existentes e formatos de requisição funcionam apenas com a URL base e a chave alteradas. A lista de parâmetros suportados do modelo está vazia, então não espere ajustar amostragem, temperatura ou controles semelhantes; envie o áudio e leia a transcrição retornada. Verifique a tabela de preços ao vivo nesta página para tarifas atuais antes de assumir uma carga de trabalho.

Uma ressalva prática: este é um modelo de transcrição, não um modelo de chat ou raciocínio. Ele não recebe prompts de texto como entrada e não produz saída conversacional, então tarefas como resumir uma transcrição, responder perguntas sobre ela ou gerar código pertencem a um modelo de texto. Um padrão comum é encadear os dois, usando o Whisper Large V3 para produzir a transcrição e um modelo de linguagem separado para trabalhar no texto resultante. Se sua entrada já é texto, ou seu áudio está em um idioma fora do conjunto suportado, este modelo não é o adequado.