Whisper on OpenAI 2022. aasta septembris välja antud automaatse kõnetuvastuse mudel. See teisendab paljudes keeltes kõneldud keele tekstiks ning oskab salvestisi tõlkida ka inglise keelde. Selle kood ja mudelikaalud on saadaval avatud lähtekoodiga MIT litsentsi all, seega saab Whisperit käitada ka oma riistvaral, mis on eelis, kui helisalvestised ei tohi organisatsioonist lahkuda. Tüüpilised kasutusalad on koosolekute ja intervjuude transkriptsioonid ning subtiitrid.
Kõnetuvastus, mida nimetatakse ka ASR-iks (automatic speech recognition), teisendab kõneldud keele automaatselt kirjalikuks tekstiks. Kaasaegsed süsteemid kasutavad suurtel heliülesvõtete hulkadel treenitud närvivõrke ning tulevad aktsentide ja taustamüraga mõistlikult toime. Rakenduste hulka kuuluvad dikteerimine, subtiitrid, hääleassistendid ning koosolekute ja klientide kõnede transkribeerimine. Erialatermineid, pärisnimesid ja halba helikvaliteeti peetakse endiselt sagedasteks veaallikateks.
Heli transkribeerimine muudab salvestistel kõneldud keele kirjalikuks tekstiks. Tänapäevased automaatse kõnetuvastuse süsteemid lisavad ka kirjavahemärgid, eristavad kõnelejaid ja annavad mõnikord ajatemplid. Seda kasutatakse koosolekute protokollide, intervjuude, subtiitrite ja klientidega peetud kõnede dokumenteerimiseks. Kvaliteet sõltub suuresti helikvaliteedist, aktsendist ja erialasõnavarast; isikuandmeid sisaldavate vestluste puhul tuleb arvestada nõusoleku ja andmekaitsega.
OpenAI on San Franciscos asuv TI-ettevõte, mis asutati 2015. aastal mittetulundusorganisatsioonina. Pärast 2025. aasta oktoobris toimunud ümberkorraldust koosneb see mittetulundusliku OpenAI Foundationi ja selle kontrolli all oleva kasumit taotleva OpenAI Group PBC-st (seisuga oktoober 2026). OpenAI on tuntud eeskätt ChatGPT ja GPT keelemudelite ning pildigeneraatori DALL·E ja kõnetuvastusmudeli Whisper poolest. Selle mudeleid pakutakse rakenduste ja API kaudu.
Tekst kõneks (text-to-speech) teisendab kirjaliku teksti kõneldud keeleks, olles seega kõnetuvastuse (speech-to-text) vastaspool. Kaasaegsed süsteemid kasutavad närvivõrke, et luua loomuliku kõlaga hääli sobiva intonatsiooniga. TTS-i kasutatakse telefonikuulutustes, navigatsiooniseadmetes, ligipääsetavate veebilehtede ettelugemisfunktsioonides ja hääleassistentides.
