Whisper on OpenAI:n syyskuussa 2022 julkaisema automaattinen puheentunnistusmalli. Se muuntaa puhutun kielen tekstiksi monilla kielillä ja osaa myös kääntää äänitteitä englanniksi. Sen koodi ja mallin painot ovat saatavilla avoimen lähdekoodin MIT-lisenssillä, joten Whisperiä voi ajaa myös omalla laitteistolla, mikä on etu, kun äänidata ei saa poistua organisaatiosta. Tyypillisiä käyttökohteita ovat kokousten ja haastattelujen litteroinnit sekä tekstitykset.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoPuheentunnistus, jota kutsutaan myös ASR:ksi (automatic speech recognition), muuntaa puhutun kielen automaattisesti kirjoitetuksi tekstiksi. Nykyaikaiset järjestelmät käyttävät neuroverkkoja, jotka on opetettu suurilla äänitemäärillä, ja selviävät kohtuullisen hyvin aksenteista ja taustamelusta. Sovelluksia ovat sanelu, tekstitykset, ääniavustajat sekä kokousten ja asiakaspuheluiden litterointi. Ammattitermit, erisnimet ja huono äänenlaatu ovat edelleen yleisiä virhelähteitä.
Äänen litterointi muuntaa tallenteiden puhutun kielen kirjoitetuksi tekstiksi. Nykyaikaiset automaattiset puheentunnistusjärjestelmät lisäävät myös välimerkit, erottavat puhujat toisistaan ja antavat joskus aikaleimat. Litterointia käytetään kokouspöytäkirjoihin, haastatteluihin, tekstityksiin ja asiakaspuheluiden dokumentointiin. Laatu riippuu paljon äänenlaadusta, aksentista ja erikoissanastosta; henkilötietoja sisältävissä keskusteluissa on otettava huomioon suostumus ja tietosuoja.
OpenAI on San Franciscossa toimiva tekoälyyritys, joka perustettiin vuonna 2015 voittoa tavoittelemattomana organisaationa. Lokakuussa 2025 tehdyn uudelleenjärjestelyn jälkeen se koostuu voittoa tavoittelemattomasta OpenAI Foundationista, joka ohjaa voittoa tavoittelevaa OpenAI Group PBC:tä (tilanne: lokakuu 2026). OpenAI tunnetaan parhaiten ChatGPT:stä ja GPT-kielimalleista sekä DALL·E-kuvageneraattorista ja Whisper-puheentunnistusmallista. Sen malleja tarjotaan sovellusten ja API:n kautta.
Tekstistä puheeksi (text-to-speech, TTS) muuntaa kirjoitetun tekstin puhutuksi kieleksi, ja se on puheentunnistuksen (puheesta tekstiksi) vastinpari. Nykyaikaiset järjestelmät käyttävät neuroverkkoja luonnollisen kuuloisten, sopivasti intonoitujen äänten tuottamiseen. TTS:ää käytetään puhelinkuulutuksissa, navigaattoreissa, esteettömien verkkosivujen ääneenlukutoiminnoissa ja ääniavustajissa.
