OpenAI je u septembru 2022. predstavio Whisper — revolucionarnu tehnologiju za prepoznavanje govora koja podržava preko 97 jezika (uključujući srpski). Ova napredna AI platforma predstavlja značajan korak napred u oblasti automatskog prepoznavanja govora, nudeći mikrofon-tekst pretvaranje sa visokom tačnošću. Whisper API, objavljen u martu 2023, omogućava integraciju ove tehnologije u aplikacije za obrazovanje, poslovanje, pristupačnost i kreativne industrije, omogućavajući korisnicima širom sveta da transformišu govorni sadržaj u tekst brzo i efikasno.
Tehnologija koja stoji iza Whisper API-ja
Whisper je duboki neuralni model obučen na 680.000 sati audio podataka, pokrivajući širok spektar jezika, akcenata i govornih varijacija. API koristi napredne algoritme mašinskog učenja za analizu audio signala i njihovu konverziju u tekst. Sistem je optimizovan za različite kvalitete audio zapisa — od studio snimaka do pozadinskog šuma u mobilnim razgovorima. Whisper API podržava:
- Real-time transkripciju i batch procesiranje
- Identifikaciju više govornika u konverzaciji (eng. *speaker diarization*)
- Fine-tuning za specifične domene (npr. medicinske termine, pravnu terminologiju ili naučne oblasti)
Model je open-source i dostupan za lokalno korišćenje, dok API nudi skalabilno rešenje za komercijalne aplikacije.
Zašto je bitno
- Omogućava pristupačnost sadržaja osobama sa oštećenjem sluha kroz automatsku transkripciju video i audio materijala, sa podrškom za srpski jezik.
- Pojednostavljuje stvaranje titlova i prevoda za multimedijalne sadržaje na 97 jezika (prethodno navođeno kao 99).
- Povećava produktivnost u poslovanju kroz automatsko beleženje sastanaka, intervjua i prezentacija — sa tačnošću koja varira po kvalitetu audio zapisa (do ~95% za engleski u idealnim uslovima).
- Otvara nove mogućnosti za glasovne asistente, chatbot-ove i aplikacije koje zahtevaju prirodnu interakciju, uz podršku za lokalno pokretanje modela (npr. na uređajima sa ograničenom konekcijom).
“`
