Whisper Large V3
STT.ai køyrer denne modellen på betalt nivå. Det er modellen bak STT.ai Enhanced. Gratis transkripsjon brukar Whisper Large v3 Turbo, som er raskare.
Sjå planar →
·
Transkriber gratis med Whisper Turbo →
4.2%
WER
99
Språk
15.9x
Fart
MIT
Lisens
Om Whisper Large V3
Whisper Large V3 er OpenAI sin flaggskipmodell for talegjenkjenning med open kjeldekode. Med 1,55 milliardar parameterar, tilbyr han eksepsjonell nøyaktigheit på 99 språk. Han brukar ein transformert kodar-dekodar-arkitektur som er trent på 680 000 timar med flerspråkleg lyddata.
Modellinformasjon
- TilbydarOpenAI
- Arkitektur-
- LisensMIT
- OppdatertAug 2026
Ofte stilte spørsmål
Whisper Large V3 er ein tale-til-tekst-modell av OpenAI. STT.ai køyrer han på vår eigen GPU for kontoar med betalt plan, og er modellen bak STT.ai Enhanced-nivået. Gratis transkripsjon brukar Whisper Large v3 Turbo, det raskare kontrollpunktet i same familie.
På standard målestokkar oppnår Whisper Large V3 om lag 4.2% ordfeilrate. Nøyaktigheita i verkeleg liv avheng av lydkvalitet, aksent og språk. For støyande eller aksenterte opptak, kan du venta eit par prosentpoeng høgare WER.
Whisper Large V3 køyrer på STT.ai sitt gratisnivå — kvar besøkjar får 600 minutt til å starte utan kostnad. Betalte planar legg til lengre grense per fil, private transkripsjonar og prioritert kø.
Whisper Large V3 er utgjeve under MIT, ein permissiv open kjeldekode-lisens. Du kan sjølv ha Whisper Large V3 på din eigen maskinvare eller bruke vår vertsversjon — begge er kommersielt brukbare.
Whisper Large V3 støttar 99 språk. Automatisk oppdaging vel det rette språket for dei fleste lydfiler. Du kan òg velja språket manuelt for å få ein liten forbetring av nøyaktigheita.
Whisper Large V3 prosesserer lyd med om lag 15.9x sanntid på grafikkprosessorane våre. Ein 1-timers lydfil er ferdig på under 3 minutt. Lengre filer vert lagt i kø og varsla via e-post når dei er ferdige.
Whisper Large V3 har 1.55B-parametrar. Større modeller har ein tendens til å vera meir nøyaktige, men tregare. STT.ai er vert for Whisper Large V3 på GPU-en, så parametertalet påverkar ikkje ytinga på klientsida.
Whisper Large V3 godtek alle formata STT.ai støttar — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI og andre. Utdata som TXT, SRT, VTT, DOCX, JSON eller PDF.
Ja. Diarisering av talarar køyrer saman med Whisper Large V3 for kvar transkripsjon — kvar talar er merket og du kan endra namnet på dei i redigeringa etterpå.
Ja. Whisper Large V3 køyrer i vårt administrerte miljø – lyd blir handsama og sletta som standard og blir aldri brukt til opplæring utan eksplisitt samtykke. Pro-planar legg til klientkryptering for avskriftar i ro.
Bruk verktøyet compare-stt for å køyra Whisper Large V3 mot ein annan støtta modell på same lyd. Du vil sjå WER, segmenttal, høgtalarnamn og tiltrupoeng side om side. Samanlikninga Whisper Large V3 vs Whisper Large V3 er den mest brukte.
Ja, på ein betalt plan. Oppgje «whisper-large-v3» som modellparameter på /v1/transcribe-endepunktet. Nøklar utan aktiv plan vert betjent Whisper Large v3 Turbo i staden. Førespurnaden lykkes likevel, og den køyrer berre den gratis modellen.
Ja. Sidan Whisper Large V3 er MIT-lisensiert, kan du sjølv vera vert for det. STT.ai sin open kjeldekode-side viser prosjektarkivet og vektene. Dei fleste produksjonsteam brukar vår vertsversjon for å hoppa over GPU-innkjøp, modellbytte og operasjonar.