Транкриптиране с Whisper Large V3
4.2%
WER
99
Езици
8.0x
Скорост
MIT
Лиценз
За Whisper Large V3
Whisper Large V3 е водещият модел OpenAI на отворения източник за разпознаване на речта. С 1,55 милиарда параметра, той предлага изключителна точност на 99 езика. Използва архитектура на трансформатор-декодер, обучена на 680 000 часа многоезични аудио данни.
Информация за модела
- ДоставчикOpenAI
- Архитектура-
- ЛицензMIT
- ОбновеноMar 2026
Често задавани въпроси
Whisper Large V3 е модел от реч към текст от OpenAI. STT.ai домакини Whisper Large V3 на нашата GPU инфраструктура, така че можете да го използвате, без да предоставяте своя собствен хардуер — качване на аудио или видео и изберете Whisper Large V3 от модела избирач.
По стандартни бенчмаркове Whisper Large V3 достига около 4.2% Word Error Rate. Real-world точност зависи от качеството на звука, акцента и езика; за шумни или акцентирани записи, очакват няколко процентни пункта по-висока WER.
Whisper Large V3 работи на безплатен ступен на STT.ai – всеки посетител получава 600 минути да започне без цена. Платените планове добавят повече на файлови ограничения, частни записи и приоритетни редовни редове.
Whisper Large V3 е освободен под MIT, допустим лиценз за отворен източник. Можете да се самоприемате Whisper Large V3 на своя собствен хардуер или да използвате нашата хостинг версия - и двете са търговски приложими.
Whisper Large V3 поддържа 99 езика. Автоматично откриване избира правилния език за повечето аудио; можете да го ръчно посочите и за малък асансьор за точност.
Whisper Large V3 процеси аудио на около 8.0x в реално време на нашите GPU. 1-часов аудио файл завършва в под 8802 минути; по-дълги файлове редица и уведомяване по имейл, когато се направи.
Whisper Large V3 има 8802 параметри. По-големите модели са по-точни, но по-бавни; STT.ai домакини Whisper Large V3 на GPU, така че броят на параметрите не влияе на производителността на вашия клиент.
Whisper Large V3 приема всеки формат STT.ai поддръжки — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI и др. Изход като TXT, SRT, VTT, DOCX, JSON или PDF.
Да. Диагностикацията на спикера се движи до Whisper Large V3 за всяка транскрипция — всеки говорител е етикетиран и можете да ги преименувате в редактора след това.
Да. Whisper Large V3 ходове в нашата управлявана среда — аудио се обработва и изтрива по подразбиране и никога не се използва за обучение без изрично оптимизиране. Про планове добавят клиент-страна шифриране за транскрипти в почивка.
Използвайте инструмента за сравнение, за да стартирате Whisper Large V3 срещу всеки друг подкрепен модел на един и същ звук – ще видите WER, сегмент брой, говорител етикети и доверителни резултати странично дострани. Whisper Large V3 спрямо Whisper Large V3 сравнението е най-често извършено.
Да. Определяте "whisper-large-v3" като параметр за модела на точката /v1/transcribe. Python и Node.js SDKs включват Whisper Large V3 примери. Free API низ включва 100 минути/месечно.
Да. Тъй като Whisper Large V3 е 8802-лицензиран, можете да го самостоятелно домакин. STT.ai на отворения източник страница изброява репо и тежести на проекта. Повечето производствени екипи използват нашата хостинг версия, за да пропуснат GPU поръчки, смяна на модели и операции.