Whisper Large V3
STT.ai pokreće ovaj model na plaćenom nivou. To je model iza STT.ai Enhanced. Slobodna transkripcija koristi Whisper Large v3 Turbo, koji je brži.
Vidi planove →
·
Transkripcija besplatno sa Whisper Turbo →
4.2%
WER
99
Jezici
15.9x
Brzina
MIT
Licenca
O meni Whisper Large V3
Whisper Large V3 je OpenAI-jev model prepoznavanja govora otvorenog koda. Sa 1,55 milijardi parametara, nudi izuzetnu preciznost na 99 jezika. Koristi transformatorsku arhitekturu kodiranja i dekodiranja obučenu na 680.000 sati višejezičnih audio podataka.
Jezici podržani Whisper Large V3
Informacije o modelu
- ProviderOpenAI
- Arhitektura-
- LicencaMIT
- AžuriranoAug 2026
Često postavljana pitanja
Whisper Large V3 je model govora u tekst od OpenAI. STT.ai ga pokreće na našem vlastitom GPU za račune na plaćenom planu, i to je model iza STT.ai Poboljšanog nivoa. Besplatna transkripcija koristi Whisper Large v3 Turbo, bržu kontrolnu tačku iste porodice.
Na standardnim benchmarkima, Whisper Large V3 postiže oko 4.2% stope greške riječi. realna tačnost zavisi od kvaliteta zvuka, naglaska i jezika; za bučne ili naglašene snimke, očekujte nekoliko postotnih bodova više WER.
Whisper Large V3 radi na STT.ai-ovom besplatnom nivou - svaki posjetilac dobiva 600 minuta za početak bez troškova. plaćeni planovi dodaju dulje ograničenje po datoteci, privatne transkripte i prioritetno redoslijed.
Whisper Large V3 je objavljen pod MIT, dozvoljenom licencom otvorenog koda.Možete sami hostati Whisper Large V3 na svom hardveru ili koristiti našu hosted verziju — obje su komercijalno upotrebljive.
Whisper Large V3 podržava 99 jezika. Automatsko otkrivanje bira ispravan jezik za većinu audio; također ga možete ručno odrediti za malo povećanje tačnosti.
Whisper Large V3 obrađuje audio na oko 15.9x real-time na našim GPU-ovima. 1-satna audio datoteka završava za manje od 3 minuta; dulje datoteke čekaju i obavještavaju e-mailom kada je završeno.
Whisper Large V3 ima 1.55B parametra. Veći modeli imaju tendenciju da budu precizniji ali sporiji; STT.ai hosta Whisper Large V3 na GPU tako da broj parametara ne utječe na performanse klijenta.
Whisper Large V3 prihvaća svaki format koji podržava STT.ai — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI i drugi. izlaz kao TXT, SRT, VTT, DOCX, JSON, ili PDF.
Da. Diarizacija govornika radi zajedno sa Whisper Large V3 za svaku transkripciju - svaki govornik je označen i možete ih preimenovati u editoru kasnije.
Da. Whisper Large V3 radi u našoj upravljanoj okolini — audio se obrađuje i briše po zadanim postavkama i nikada se ne koristi za trening bez eksplicitnog uključivanja. Pro planovi dodaju šifriranje na strani klijenta za transkripte u mirovanju.
Koristite compare-stt alat da pokrenete Whisper Large V3 protiv bilo kojeg drugog podržanog modela na istom audio — vidjet ćete WER, broj segmenata, oznake zvučnika, i pouzdanost ocjena jedan pored drugog. Whisper Large V3 vs Whisper Large V3 usporedba je najčešća.
Da, na plaćenom planu. Navedite "whisper-large-v3" kao model parametra na /v1/transcribe krajnjoj tački. Ključevi bez aktivnog plana su umjesto toga posluženi Whisper Large v3 Turbo. Zahtjev je ipak uspješan; samo pokreće besplatni model.
Da. Budući da je Whisper Large V3 licenciran za MIT, možete ga sami postaviti. Stranica otvorenog koda za STT.ai navodi projektni repozitorij i težine. Većina produkcijskih timova koristi našu verziju za preskakanje nabavke GPU-a, zamjene modela i operacija.