Whisper je model pro automatické rozpoznávání řeči, který společnost OpenAI vydala v září 2022. Převádí mluvený jazyk v mnoha jazycích na text a nahrávky dokáže také překládat do angličtiny. Jeho kód a váhy modelu jsou dostupné pod open-source licencí MIT, takže Whisper může běžet i na vlastním hardwaru, což je výhoda, když zvuková data nemají opustit organizaci. Typické využití zahrnuje přepisy schůzek, rozhovorů a titulky.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoRozpoznávání řeči, označované též ASR (automatic speech recognition), automaticky převádí mluvený jazyk na psaný text. Moderní systémy využívají neuronové sítě natrénované na velkém množství zvukových nahrávek a s přijatelnou úspěšností zvládají přízvuky i hluk na pozadí. Použití zahrnuje diktování, titulky, hlasové asistenty a přepisy schůzek a zákaznických hovorů. Odborné výrazy, vlastní jména a špatná kvalita zvuku zůstávají častými zdroji chyb.
Přepis zvuku převádí mluvenou řeč z nahrávek na psaný text. Moderní systémy automatického rozpoznávání řeči doplňují i interpunkci, rozlišují mluvčí a někdy poskytují časové značky. Využívá se pro zápisy z porad, rozhovory, titulky a dokumentaci zákaznických hovorů. Kvalita silně závisí na kvalitě zvuku, přízvuku a odborné slovní zásobě; u rozhovorů s osobními údaji je třeba myslet na souhlas a ochranu osobních údajů.
OpenAI je AI společnost se sídlem v San Francisku, založená v roce 2015 jako nezisková organizace. Od restrukturalizace v říjnu 2025 ji tvoří nezisková OpenAI Foundation, která řídí ziskovou společnost OpenAI Group PBC (stav k říjnu 2026). OpenAI je nejznámější díky ChatGPT a jazykovým modelům GPT, ale také generátoru obrázků DALL·E a modelu pro rozpoznávání řeči Whisper. Její modely jsou nabízeny prostřednictvím aplikací a API.
Text-to-speech převádí psaný text na mluvený jazyk, a je tak protějškem rozpoznávání řeči (speech-to-text). Moderní systémy využívají neuronové sítě k vytváření přirozeně znějících hlasů s odpovídající intonací. TTS se používá v telefonních hlášeních, navigačních přístrojích, funkcích předčítání pro přístupné weby a hlasových asistentech.
