Whisper este un model de recunoaștere automată a vorbirii lansat de OpenAI în septembrie 2022. Transformă în text limbajul vorbit în multe limbi și poate traduce înregistrările și în engleză. Codul și ponderile modelului sunt disponibile sub licența open-source MIT, astfel că Whisper poate rula și pe hardware propriu, un avantaj atunci când datele audio nu trebuie să părăsească organizația. Utilizările tipice includ transcrierea ședințelor și a interviurilor și subtitrarea.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulRecunoașterea vorbirii, numită și ASR (automatic speech recognition), transformă automat limbajul vorbit în text scris. Sistemele moderne folosesc rețele neuronale antrenate pe cantități mari de înregistrări audio și se descurcă relativ bine cu accentele și zgomotul de fond. Aplicațiile includ dictarea, subtitrarea, asistenții vocali și transcrierea ședințelor și a apelurilor cu clienți. Termenii tehnici, numele proprii și calitatea slabă a sunetului rămân surse frecvente de erori.
Transcrierea audio convertește limbajul vorbit din înregistrări în text scris. Sistemele moderne de recunoaștere automată a vorbirii adaugă și punctuația, disting între vorbitori și uneori oferă marcaje temporale. Se utilizează pentru procese-verbale ale ședințelor, interviuri, subtitrări și documentarea convorbirilor cu clienții. Calitatea depinde în mare măsură de calitatea sunetului, de accent și de vocabularul de specialitate; în cazul conversațiilor care implică date cu caracter personal, trebuie avute în vedere consimțământul și protecția datelor.
OpenAI este o companie de IA cu sediul la San Francisco, fondată în 2015 ca organizație nonprofit. De la restructurarea din octombrie 2025, este alcătuită din organizația nonprofit OpenAI Foundation, care controlează societatea cu scop lucrativ OpenAI Group PBC (stare la octombrie 2026). OpenAI este cunoscută mai ales pentru ChatGPT și modelele lingvistice GPT, precum și pentru generatorul de imagini DALL·E și modelul de recunoaștere a vorbirii Whisper. Modelele sale sunt oferite prin aplicații și un API.
Text-to-speech transformă textul scris în limbaj vorbit, fiind astfel opusul recunoașterii vorbirii (speech-to-text). Sistemele moderne folosesc rețele neuronale pentru a produce voci cu sonoritate naturală și intonație adecvată. TTS este folosit în mesaje telefonice, dispozitive de navigație, funcții de citire cu voce tare pentru site-uri accesibile și asistenți vocali.
