OpenAI: Whisper 1

OpenAI: Whisper 1 är en automatisk taligenkänningsmodell från OpenAI, distribuerad via dess API under modell-id:t whisper-1. Whisper i sig är OpenAIs öppen källkods-familj för taligenkänning, och denna endpoint exponerar den funktionen som en hostad tjänst. Den tillhör kategorin transkribering, så dess uppgift är att omvandla inspelat tal till skriven text snarare än att generera konversationssvar eller resonera kring prompter.

Modellen tar ljud som sin enda indata och returnerar en transkribering som sin utdata. Den hanterar både transkribering och översättning, och täcker mer än 50 språk. Ljudfiler kan vara upp till 25 MB stora, och den accepterar en rad vanliga ljudformat. Det finns inget textkontextfönster att hantera här, eftersom modellen varken konsumerar eller producerar token-sekvenser i chattstil; arbetsenheten är en ljudfil, och resultatet är den motsvarande texten. Modellsidan listar inga justerbara förfrågningsparametrar, så du arbetar med de standardvärden som endpointen tillhandahåller.

Eftersom utdata är text härledd från tal, följer de praktiska användningsområdena direkt. Du kan transkribera mötesinspelningar, intervjuer, föreläsningar, poddar eller röstanteckningar till sökbar, redigerbar text. Översättningsfunktionen innebär att ljud på ett av de stödda språken kan återges som engelsk text, vilket är användbart för flerspråkiga arkiv eller supportinspelningar. Generering av undertexter och bildtexter för video är en annan naturlig tillämpning, liksom att bygga ett textlager över ett bibliotek av samtalsinspelningar för senare granskning eller indexering. Alla arbetsflöden där ljud behöver bli skriftligt innehåll, vid filstorlekar upp till 25 MB, är kandidater.

Att anropa den via api14 fungerar på samma sätt som alla andra modeller på gatewayen, med hjälp av det OpenAI-kompatibla API:et med modell-id:t openai/whisper-1. Du skickar ditt ljud till transkriberings-endpointen i det format som OpenAI-API:et förväntar sig, och svaret innehåller den transkriberade texten. Eftersom listan över stödda parametrar är tom finns det inga extra inställningar dokumenterade för denna modell på api14; du skickar ljudet och modell-id:t och läser tillbaka transkriberingen. Om din applikation redan talar OpenAI-API:et är ett byte till denna modell bara en fråga om att ändra modellidentifieraren.

En sak att ha i åtanke är filgränsen på 25 MB. Längre inspelningar måste delas upp före inskickning, och om ditt ljud överstiger den storleken måste du segmentera det själv eller förbehandla det. Notera också att denna modell endast producerar transkriberingar; om du behöver en modell som besvarar frågor, följer instruktioner eller genererar text, är en chatt- eller språkmodell det bättre valet. Whisper 1 är rätt val när uppgiften är strikt tal till text.