Whisper to model automatycznego rozpoznawania mowy opublikowany przez OpenAI we wrześniu 2022 roku. Zamienia język mówiony w wielu językach na tekst i potrafi też tłumaczyć nagrania na angielski. Jego kod i wagi modelu są dostępne na otwartej licencji MIT, dzięki czemu Whisper może działać także na własnym sprzęcie, co jest zaletą, gdy dane audio nie powinny opuszczać organizacji. Typowe zastosowania to transkrypcje spotkań, wywiadów i napisy.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoRozpoznawanie mowy, zwane też ASR (automatic speech recognition), automatycznie zamienia język mówiony na tekst pisany. Nowoczesne systemy korzystają z sieci neuronowych trenowanych na dużych zbiorach nagrań audio i całkiem dobrze radzą sobie z akcentami i hałasem w tle. Zastosowania obejmują dyktowanie, napisy, asystentów głosowych oraz transkrypcję spotkań i rozmów z klientami. Terminy specjalistyczne, nazwy własne i słaba jakość dźwięku pozostają częstymi źródłami błędów.
Transkrypcja audio przekształca mowę z nagrań w tekst pisany. Nowoczesne systemy automatycznego rozpoznawania mowy dodają również interpunkcję, rozróżniają mówców, a czasem podają znaczniki czasu. Wykorzystuje się ją do protokołów ze spotkań, wywiadów, napisów oraz dokumentowania rozmów z klientami. Jakość w dużej mierze zależy od jakości dźwięku, akcentu i słownictwa specjalistycznego; w przypadku rozmów zawierających dane osobowe należy uwzględnić kwestie zgody i ochrony danych.
OpenAI to firma zajmująca się sztuczną inteligencją z siedzibą w San Francisco, założona w 2015 roku jako organizacja non-profit. Od restrukturyzacji w październiku 2025 roku składa się z organizacji non-profit OpenAI Foundation, która kontroluje nastawioną na zysk spółkę OpenAI Group PBC (stan na październik 2026). OpenAI jest najbardziej znana z ChatGPT i modeli językowych GPT, a także z generatora obrazów DALL·E i modelu rozpoznawania mowy Whisper. Jej modele są oferowane za pośrednictwem aplikacji i API.
Zamiana tekstu na mowę (text-to-speech) przekształca tekst pisany w język mówiony i jest odpowiednikiem rozpoznawania mowy (speech-to-text). Nowoczesne systemy wykorzystują sieci neuronowe do tworzenia naturalnie brzmiących głosów z odpowiednią intonacją. TTS stosuje się w komunikatach telefonicznych, nawigacjach, funkcjach czytania na głos w dostępnych stronach internetowych i asystentach głosowych.
