Whisper er en automatisk talegenkendelsesmodel, som OpenAI udgav i september 2022. Den omdanner talt sprog på mange sprog til tekst og kan også oversætte optagelser til engelsk. Dens kode og modelvægte er tilgængelige under open source-licensen MIT, så Whisper også kan køre på egen hardware, hvilket er en fordel, når lyddata ikke må forlade organisationen. Typiske anvendelser er transskriptioner af møder, interviews og undertekster.
Talegenkendelse, også kaldet ASR (automatic speech recognition), omdanner automatisk talt sprog til skrevet tekst. Moderne systemer bruger neurale netværk trænet på store mængder lydoptagelser og håndterer accenter og baggrundsstøj nogenlunde godt. Anvendelserne omfatter diktering, undertekster, stemmeassistenter og transskription af møder og kundesamtaler. Fagudtryk, egennavne og dårlig lydkvalitet er stadig almindelige fejlkilder.
Lydtransskription omdanner talt sprog fra optagelser til skrevet tekst. Moderne systemer til automatisk talegenkendelse tilføjer også tegnsætning, skelner mellem talere og giver nogle gange tidsstempler. Det bruges til mødereferater, interviews, undertekster og dokumentation af kundesamtaler. Kvaliteten afhænger i høj grad af lydkvalitet, accent og fagsprog; ved samtaler med persondata skal samtykke og databeskyttelse tages i betragtning.
OpenAI er en AI-virksomhed med base i San Francisco, grundlagt i 2015 som en nonprofitorganisation. Siden omstruktureringen i oktober 2025 består den af nonprofitorganisationen OpenAI Foundation, som kontrollerer det profitorienterede selskab OpenAI Group PBC (pr. oktober 2026). OpenAI er bedst kendt for ChatGPT og GPT-sprogmodellerne samt billedgeneratoren DALL·E og talegenkendelsesmodellen Whisper. Virksomhedens modeller tilbydes via apps og en API.
Text-to-speech omdanner skrevet tekst til talt sprog og er dermed modstykket til talegenkendelse (speech-to-text). Moderne systemer bruger neurale netværk til at skabe naturligt klingende stemmer med passende intonation. TTS bruges i telefonmeddelelser, navigationsenheder, oplæsningsfunktioner til tilgængelige websites og stemmeassistenter.
