Γλωσσάριο

Whisper

Τι είναι Whisper;

Το Whisper είναι ένα μοντέλο αυτόματης αναγνώρισης ομιλίας που κυκλοφόρησε η OpenAI τον Σεπτέμβριο του 2022. Μετατρέπει τον προφορικό λόγο σε πολλές γλώσσες σε κείμενο και μπορεί επίσης να μεταφράζει ηχογραφήσεις στα αγγλικά. Ο κώδικάς του και τα βάρη του μοντέλου είναι διαθέσιμα υπό την άδεια ανοικτού κώδικα MIT, επομένως το Whisper μπορεί να εκτελείται και στο δικό σας υλικό, πλεονέκτημα όταν τα δεδομένα ήχου δεν πρέπει να φεύγουν από τον οργανισμό. Τυπικές χρήσεις είναι οι απομαγνητοφωνήσεις συσκέψεων, συνεντεύξεων και οι υπότιτλοι.

Θέματα

Αναγνώριση ομιλίας
Ανοιχτός κώδικας
Audio

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Αναγνώριση ομιλίας (speech to text)

Η αναγνώριση ομιλίας, που ονομάζεται και ASR (automatic speech recognition), μετατρέπει αυτόματα τον προφορικό λόγο σε γραπτό κείμενο. Τα σύγχρονα συστήματα χρησιμοποιούν νευρωνικά δίκτυα εκπαιδευμένα σε μεγάλες ποσότητες ηχογραφήσεων και αντεπεξέρχονται αρκετά καλά σε προφορές και θόρυβο υποβάθρου. Οι εφαρμογές περιλαμβάνουν υπαγόρευση, υποτίτλους, φωνητικούς βοηθούς και απομαγνητοφώνηση συσκέψεων και κλήσεων πελατών. Οι τεχνικοί όροι, τα κύρια ονόματα και η κακή ποιότητα ήχου παραμένουν συχνές πηγές σφαλμάτων.

ASR
ήχος
+1

Μεταγραφή ήχου

Η μεταγραφή ήχου μετατρέπει την προφορική γλώσσα από ηχογραφήσεις σε γραπτό κείμενο. Τα σύγχρονα συστήματα αυτόματης αναγνώρισης ομιλίας προσθέτουν επίσης στίξη, διακρίνουν τους ομιλητές και ορισμένες φορές παρέχουν χρονοσφραγίδες. Χρησιμοποιείται για πρακτικά συσκέψεων, συνεντεύξεις, υπότιτλους και την τεκμηρίωση τηλεφωνικών κλήσεων πελατών. Η ποιότητα εξαρτάται σε μεγάλο βαθμό από την ποιότητα του ήχου, την προφορά και την εξειδικευμένη ορολογία· για συνομιλίες που περιλαμβάνουν προσωπικά δεδομένα, πρέπει να λαμβάνονται υπόψη η συγκατάθεση και η προστασία δεδομένων.

Αναγνώριση ομιλίας
Audio
+1

OpenAI

Η OpenAI είναι εταιρεία ΤΝ με έδρα το Σαν Φρανσίσκο, που ιδρύθηκε το 2015 ως μη κερδοσκοπικός οργανισμός. Από την αναδιάρθρωσή της τον Οκτώβριο του 2025 αποτελείται από τον μη κερδοσκοπικό οργανισμό OpenAI Foundation, ο οποίος ελέγχει την κερδοσκοπική OpenAI Group PBC (κατάσταση Οκτωβρίου 2026). Η OpenAI είναι περισσότερο γνωστή για το ChatGPT και τα γλωσσικά μοντέλα GPT, καθώς και για τη γεννήτρια εικόνων DALL·E και το μοντέλο αναγνώρισης ομιλίας Whisper. Τα μοντέλα της προσφέρονται μέσω εφαρμογών και ενός API.

πάροχος
γλωσσικά μοντέλα
+1

Text-to-Speech (TTS)

Η μετατροπή κειμένου σε ομιλία (text-to-speech) μετατρέπει το γραπτό κείμενο σε προφορικό λόγο και αποτελεί το αντίστοιχο της αναγνώρισης ομιλίας (speech-to-text). Τα σύγχρονα συστήματα χρησιμοποιούν νευρωνικά δίκτυα για να παράγουν φυσικά ηχητικές φωνές με κατάλληλο επιτονισμό. Το TTS χρησιμοποιείται σε τηλεφωνικές ανακοινώσεις, συσκευές πλοήγησης, λειτουργίες ανάγνωσης φωνητικά για προσβάσιμους ιστότοπους και φωνητικούς βοηθούς.

Έξοδος ομιλίας
Audio
+1