OpenAI: Whisper Large V3

OpenAI: Whisper Large V3 är en automatisk taligenkänningsmodell från OpenAI, distribuerad som öppen källkod. Den tillhör kategorin transkribering och är den stora versionen av Whisper-familjen, vilket innebär att det är den variant som OpenAI positionerar för bredast språktäckning och mest krävande ljud. Om du redan dirigerar andra OpenAI-modeller genom api14 kommer den här från samma leverantör och följer samma konventioner.

Modellen tar ljud som enda indata och returnerar en transkription som utdata. Enligt OpenAI hanterar den både transkribering och översättning, så du kan antingen skriva ned tal på dess ursprungliga språk eller återge det på ett annat. Den täcker fler än 99 språk och accepterar vanliga ljudformat, inklusive mp3, mp4, wav och webm. Det finns ingen siffra för kontextfönster att planera kring här, och maximal utdata anges som noll, så betrakta själva ljudfilen, inte en tokenbudget, som det du dimensionerar dina förfrågningar efter.

Dessa funktioner pekar mot en ganska specifik uppsättning arbetsuppgifter. Inspelningar från möten och samtal kan omvandlas till text för sökning, granskning eller arkivering. Intervjuer och användarundersökningar kan transkriberas i bulk, inklusive material på språk som ditt team inte talar, eftersom modellen täcker 99+ språk. Poddsändningar, föreläsningar och videofiler i mp3, mp4, wav eller webm kan omvandlas till skriftliga dokument eller undertexter. Eftersom översättning ingår i samma modell kan du skicka icke-engelskt ljud och få utdata på ett målspråk utan att köra ett separat översättningssteg.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "openai/whisper-large-v3". Eftersom gränssnittet matchar OpenAIs fungerar befintliga OpenAI-klientbibliotek och förfrågningsformat med endast bas-URL och nyckel ändrade. Modellens lista över stödda parametrar är tom, så förvänta dig inte att kunna justera sampling, temperatur eller liknande reglage; skicka ljudet och läs tillbaka transkriptionen. Kontrollera den aktuella pristabellen på den här sidan för gällande priser innan du binder dig till en arbetsbelastning.

En praktisk varning: detta är en transkriberingsmodell, inte en chatt- eller resonemangsmodell. Den tar inte textpromptar som indata och producerar inte konversationsutdata, så uppgifter som att sammanfatta en transkription, svara på frågor om den eller generera kod tillhör en textmodell. Ett vanligt mönster är att kedja samman de två, genom att använda Whisper Large V3 för att producera transkriptionen och en separat språkmodell för att arbeta med den resulterande texten. Om din indata redan är text, eller om ditt ljud är på ett språk utanför den stödda uppsättningen, är den här modellen inte rätt val.