Whisper potrafi automatycznie zamienić mowę na tekst, rozpoznaje wiele języków i potrafi przetłumaczyć wygenerowany w ten sposób tekst na wiele różnych języków. Jedna minuta korzystania z takiego API (które rozpoznaje pliki zapisane w formatach M4A, MP3, MP4, MPEG, MPGA, WAV i WEBM) kosztuje tylko 0,006 USD. OpenAI informuje, że Whisper przeszedł wielojęzyczne szkolenie trwające blisko 700 tys. godzin, dzięki czemu doskonale rozpoznaje mowę, nawet wtedy gdy jest to branżowy czy techniczny żargon.

Jak dotąd synteza mowa cieszy się ograniczoną popularnością, Jest to spowodowane tym, że algorytmom realizującym to zadanie daleko jest do doskonałości i mają one nieraz poważne trudności wtedy, gdy osoba wypowiadające słowa ma nietypowy akcent. Whisper ma być pozbawiony tych wad i OpenAI ma nadzieję, że deweloperzy docenią ten fakt. Z usług tego API korzysta już aplikacja do nauki języków obcych nosząca nazwę Speak, która wykorzystuje ten interfejs do kreowania wirtualnej osoby wspomagającej proces nauki języka obcego.

Zobacz również:

• Microsoft zapowiada nową linię małych modeli językowych AI
• Blaski i cienie AI

Szacuje się, że rynek rozwiązań potrafiących zamieniać mowę na tekst będzie za trzy lata warty co najmniej 5,4 mld USD (w zeszłym roku było to ok. 2,5 mld USD), dlatego rozwiązania podobne do zaprezentowanego tu API będą na pewno zyskiwać na popularności, szczególnie wtedy, gdy wkroczy do nich tak innowacyjna technologia, ja sztuczna inteligencja. To dzięki niej ich jakość będzie na pewno z czasem rosła.