Whisper е модел за автоматично разпознаване на реч, пуснат от OpenAI през септември 2022 г. Той преобразува говорим език на много езици в текст и може също да превежда записи на английски. Кодът и теглата на модела са налични с лиценза с отворен код MIT, така че Whisper може да работи и на собствен хардуер – предимство, когато аудио данните не бива да напускат организацията. Типични приложения са транскрипти на срещи, интервюта и субтитри.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоРазпознаването на реч, наричано също ASR (automatic speech recognition), автоматично преобразува говоримия език в писмен текст. Съвременните системи използват невронни мрежи, обучени върху голямо количество аудиозаписи, и се справят сравнително добре с акценти и фонов шум. Приложенията включват диктовка, субтитри, гласови асистенти и транскрибиране на срещи и разговори с клиенти. Специализираните термини, собствените имена и лошото качество на звука остават често срещани източници на грешки.
Транскрибирането на аудио превръща говоримата реч от записи в писмен текст. Съвременните системи за автоматично разпознаване на реч добавят и пунктуация, разграничават говорещите и понякога предоставят времеви маркери. Използва се за протоколи от срещи, интервюта, субтитри и документиране на разговори с клиенти. Качеството зависи силно от качеството на звука, акцента и специализираната лексика; при разговори, съдържащи лични данни, трябва да се съобразят съгласието и защитата на данните.
OpenAI е компания за изкуствен интелект със седалище в Сан Франциско, основана през 2015 г. като организация с нестопанска цел. След преструктурирането през октомври 2025 г. тя се състои от организацията с нестопанска цел OpenAI Foundation, която контролира търговското дружество OpenAI Group PBC (към октомври 2026 г.). OpenAI е най-известна с ChatGPT и езиковите модели GPT, както и с генератора на изображения DALL·E и модела за разпознаване на реч Whisper. Моделите ѝ се предлагат чрез приложения и API.
Преобразуването на текст в реч (text-to-speech) превръща писмения текст в говорим език и е обратното на разпознаването на реч (speech-to-text). Съвременните системи използват невронни мрежи, за да създават естествено звучащи гласове с подходяща интонация. TTS се използва в телефонни съобщения, навигационни устройства, функции за прочитане на глас в достъпни уебсайтове и гласови асистенти.
