OpenAI的Whisper v3：為商業應用提供升級的語音識別解決方案

Home AI新聞 OpenAI的Whisper v3：為商業應用提供升級的語音識別解決方案

隨著語音識別技術的顯著進步，OpenAI的Whisper v3大幅提升了語言理解能力並降低了錯誤率，這一成就源於五百萬小時的訓練數據。這款創新的開源模型旨在幫助企業提升客戶服務體驗及其他應用。近期在OpenAI的DevDay上正式發布的Whisper v3，展示了在多種語言中的改進性能，特別是引入了專用的廣東話語言標記。

自2022年9月首次推出以來，Whisper已經證明其在將音頻片段轉換為文本方面的實用性，提供語音翻譯、語言識別和語音活動檢測等功能，使其成為語音助手的理想選擇。企業可以輕鬆使用Whisper轉錄客戶電話或創建音頻內容的文本版本。將Whisper與OpenAI的最新文本生成模型如GPT-4 Turbo相結合，為開發強大的雙模態應用程式提供了新機會，無縫結合語音識別與文本生成。

OpenAI的開發者體驗負責人Romain Huet展示了這些整合的潛力。他利用Whisper將語音輸入轉錄為文本，並與GPT-4 Turbo模型結合，展示了一個能夠發聲的智能助手，這也得益於新的文本轉語音API。

Whisper v3的突出之處不僅在於其訓練數據的龐大—五百萬小時，相較於前一版本的六十八萬小時大幅提升，更在於其先進的訓練方法。這一音頻數據中約有一百萬小時為弱標記數據，只標記聲音的存在，而四百萬小時則是通過預測建模技術進行了伪標記。

該模型採用了Transformer架構，能夠有效處理音頻數據的token序列，解碼推出有意義的文本輸出。它將音頻輸入細分為易於管理的片段，從而準確識別所講內容。

為滿足各種應用需求，Whisper v3提供多個模型大小選擇。最小的Tiny模型擁有3900萬個參數，運行需要約1 GB的VRAM。基礎模型擁有7400萬個參數，處理速度約為之前版本的16倍。最大的版本Large則擁有驚人的15.5億個參數，部署需要約10 GB的VRAM。

在Common Voice 15和Fleurs等音頻基準上的廣泛測試顯示，Whisper v3的錯誤率相比於2022年12月發布的先前版本顯著降低。OpenAI的首席執行官Sam Altman在其主題演講中表達了對新Whisper的信心，聲稱：「我們認為你們會真的喜歡它。」

如何訪問Whisper v3？

Whisper v3可通過Hugging Face或GitHub等平台公開訪問，為商業利用提供了可能，根據MIT許可證進行的實施需遵循許可證中列出的具體條件，包括在所有分發版本中必須包含必要的版權及許可通知。

值得注意的是，雖然該許可證允許廣泛使用，但同時不提供任何保證，並限制了作者或版權持有人對於因實施而產生的潛在問題的責任。儘管Whisper是開源的，OpenAI已宣布計劃在不久的將來通過其API支持最新版本的自動語音識別模型。

儘管Whisper v3在性能上實現了顯著飛躍，OpenAI承認在訓練數據有限的語言中其準確性可能下降。此外，不同的口音和方言還帶來了挑戰，可能導致詞語錯誤率增加。

OpenAI 解雇首席執行官山姆·奧特曼：這對人工智慧的未來意味著什麼

AI新聞快報：YouTube推出AI修改影片標籤

Most people like

restorePhotos.io

250.3K

借助我們創新的平台，利用先進的 AI 技術，喚醒您珍貴的回憶，提升舊照片和模糊影像。將褪色的面容轉化為清晰而生動的珍藏，確保您珍貴的瞬間得以保存多年。

照片修復 AI Background Remover

Aiarty Image Enhancer

415.6K

釋放人工智能影像增強的力量，透過先進的去噪技術、有效的去模糊及無縫的圖像放大，輕鬆改善您的照片。這項創新技術不僅可以銳化您的影像，還能恢復其品質，使其在視覺上引人注目。探索人工智能如何透過提升每張照片的清晰度和細節，徹底改變您的攝影體驗。

AI影像增強 AI Image Enhancer

CopyrightShark

9.4K

迅速採取行動，保護您的珍貴內容。

知識產權 Other

Thundr.tv

1.6M

透過人工智慧內容管理解決方案，轉變在線互動體驗。

AI媒介平台 AI Voice Chat Generator

Find AI tools in YBX