A Whisper az OpenAI által 2022 szeptemberében kiadott automatikus beszédfelismerő modell. A beszélt nyelvet sok nyelven szöveggé alakítja, és a felvételeket angolra is le tudja fordítani. Kódja és modellsúlyai a nyílt forráskódú MIT-licenc alatt érhetők el, így a Whisper saját hardveren is futtatható, ami előny, ha a hangadatok nem hagyhatják el a szervezetet. Tipikus felhasználása megbeszélések és interjúk átírása, valamint feliratozás.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA beszédfelismerés, más néven ASR (automatic speech recognition), automatikusan írott szöveggé alakítja a beszélt nyelvet. A modern rendszerek nagy mennyiségű hangfelvételen tanított neurális hálózatokat használnak, és elfogadhatóan kezelik az akcentusokat és a háttérzajt. Alkalmazási területei a diktálás, a feliratozás, a hangasszisztensek, valamint a megbeszélések és ügyfélhívások átírása. A szakkifejezések, a tulajdonnevek és a rossz hangminőség továbbra is gyakori hibaforrások.
A hangátírás a felvételeken elhangzó beszédet írott szöveggé alakítja. A modern automatikus beszédfelismerő rendszerek írásjeleket is beillesztenek, megkülönböztetik a beszélőket, és néha időbélyegeket is megadnak. Megbeszélések jegyzőkönyvezéséhez, interjúkhoz, feliratokhoz és ügyfélhívások dokumentálásához használják. A minőség nagymértékben függ a hangminőségtől, az akcentustól és a szakszókincstől; személyes adatokat érintő beszélgetéseknél figyelembe kell venni a hozzájárulást és az adatvédelmet.
Az OpenAI egy San Franciscó-i székhelyű MI-vállalat, amelyet 2015-ben non-profit szervezetként alapítottak. A 2025 októberi átalakítása óta a non-profit OpenAI Foundationből áll, amely a profitorientált OpenAI Group PBC-t irányítja (2026. októberi állapot szerint). Az OpenAI leginkább a ChatGPT-ről és a GPT nyelvi modellekről, valamint a DALL·E képgenerátorról és a Whisper beszédfelismerő modellről ismert. Modelljeit alkalmazásokon és API-n keresztül kínálja.
A szövegfelolvasás (text-to-speech) az írott szöveget beszélt nyelvvé alakítja, így a beszédfelismerés (speech-to-text) párja. A modern rendszerek neurális hálózatokkal természetes hangzású, megfelelő hanglejtésű hangokat állítanak elő. A TTS-t telefonos bemondásokban, navigációs eszközökben, akadálymentes weboldalak felolvasó funkcióiban és hangasszisztensekben használják.
