Whisper Large V3
STT.ai executa este modelo no nivel pago. É o modelo detrás de STT.ai Enhanced. A transcrición libre usa Whisper Large v3 Turbo, que é máis rápido.
Ver os plans →
·
Transcríbeo libremente con Whisper Turbo →
4.2%
WER
99
Linguas
15.9x
Velocidade
MIT
Licenza
Acerca de Whisper Large V3
Whisper Large V3 é o modelo de recoñecemento de voz de código aberto máis importante de OpenAI. Con 1. 550 millóns de parámetros, ofrece unha precisión excepcional en 99 linguas. Emprega unha arquitectura de codificador- descodificador de transformadores adestrada en 680. 000 horas de datos de son multilingües.
Información do modelo
- ProvedorOpenAI
- Arquitectura-
- LicenzaMIT
- ActualizadoAug 2026
Preguntas frecuentes
Whisper Large V3 é un modelo de voz a texto de OpenAI. STT.ai executa o modelo na nosa propia GPU para contas cun plan de pago, e é o modelo detrás do nivel mellorado de STT.ai. A transcrición libre usa Whisper Large v3 Turbo, o punto de control máis rápido da mesma familia.
En probas estándar, Whisper Large V3 alcanza unha taxa de erro de palabra do 4.2%. A precisión real depende da calidade do son, do acento e da linguaxe; para gravacións ruidosas ou acentuadas, espere uns poucos puntos porcentuais máis altos de WER.
Whisper Large V3 executa no nivel gratuíto de STT.ai - cada visitante obtén 600 minutos para comezar sen custo. Os plans de pago engaden límites máis longos por ficheiro, transcricións privadas e filas de prioridade.
Whisper Large V3 é publicado baixo MIT, unha licenza permisiva de código aberto. Pode aloxar Whisper Large V3 no seu propio hardware ou usar a nosa versión aloxada, ambas as dúas son comercialmente utilizables.
Whisper Large V3 soporta 99 linguas. A detección automática escolle a lingua correcta para a maioría do son; tamén pode especificala manualmente para un pequeno aumento de precisión.
Whisper Large V3 procesa o son a uns 15.9x en tempo real nas nosas GPU. Un ficheiro de son de 1 hora remata en menos de 3 minutos; os ficheiros máis longos enfróntanse e avísanse por correo electrónico cando rematan.
Whisper Large V3 ten parámetros 1.55B. Os modelos maiores tenden a ser máis precisos pero máis lentos; STT.ai aloxa Whisper Large V3 na GPU polo que a contaxe de parámetros non afecta ao rendemento do lado do cliente.
Whisper Large V3 acepta todos os formatos soportados por STT.ai: MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI e outros. Saída como TXT, SRT, VTT, DOCX, JSON ou PDF.
Si. A diarización do falante corre xunto co Whisper Large V3 para cada transcrición - cada falante está etiquetado e pode mudarlle o nome no editor despois.
Si. Whisper Large V3 executase no noso entorno xestionado — o son é procesado e borrado por omisión e nunca é usado para adestramento sen unha opción explícita. Os plans Pro engadirán cifrado do lado do cliente para as transcricións en repouso.
Use a ferramenta compare- stt para executar o Whisper Large V3 contra calquera outro modelo soportado no mesmo son — verá o WER, o número de segmentos, as etiquetas dos altofalantes e as puntuacións de confianza lado a lado. A comparación Whisper Large V3 vs Whisper Large V3 é a máis común.
Si, nun plan de pago. Especifique "whisper-large-v3" como parámetro do modelo no punto final / v1/ transcribe. As chaves sen un plan activo son servidas con Whisper Large v3 Turbo no seu lugar. A petición aínda ten éxito; só executa o modelo gratuíto.
Si. Como Whisper Large V3 ten licenza MIT, pode aloxalo vostede mesmo. A páxina de código aberto de STT.ai lista o repositorio e os pesos do proxecto. A maioría dos equipos de produción usan a nosa versión aloxada para saltar a procura de GPU, intercambios de modelos e operacións.