Whisper مدل تبدیل گفتار به متن OpenAI است که به‌صورت متنباز منتشر شده و هر کسی می‌تواند آن را روی کامپیوتر یا سرور خودش اجرا کند. روی صدها هزار ساعت صدای چندزبانه آموزش دیده و علاوه بر رونویسی، می‌تواند گفتار زبان‌های دیگر را مستقیم به متن انگلیسی ترجمه کند. تفاوت اصلی‌اش با سرویس‌های آنلاین رونویسی این است که رایگان است، داده‌ی شما از دستگاهتان بیرون نمی‌رود و پایه‌ی بسیاری از اپ‌ها و سرویس‌های رونویسی دیگر، از جمله چند سرویس ایرانی، همین مدل است.
Whisper به چه کاری می‌آید؟#
- رونویسی جلسه و مصاحبه: پژوهشگر یا خبرنگار، فایل مصاحبه‌ی فارسی را به متن تبدیل میکند و فقط اصلاحش میکند.
- زیرنویس ویدیو: تولیدکننده‌ی محتوا فایل زیرنویس زمان‌دار برای ویدیوی یوتیوب یا دوره‌ی آموزشی می‌سازد.
- جزوه از کلاس ضبط‌شده: دانشجو صدای کلاس را به متن تبدیل میکند و بعد با یک چت‌بات خلاصه‌اش میکند.
- اتصال به نرم‌افزار خودتان: برنامه‌نویس، رونویسی را در سایت یا ربات پیام‌رسان با اجرای Whisper روی سرور اضافه میکند.
- رونویسی محرمانه: وکیل یا پزشک، فایل‌هایی را که نباید به سرویس خارجی فرستاده شوند، روی کامپیوتر خودش رونویسی میکند.
نقاط قوت و ضعف#
قوت‌ها:
- رایگان و متنباز، بدون محدودیت مصرف
- اجرا روی دستگاه خودتان و حفظ حریم خصوصی
- پشتیبانی از ده‌ها زبان، از جمله فارسی
- نسخه‌های سریع‌تر و رابط‌های گرافیکی فراوان که جامعه‌ی متنباز ساخته است
ضعف‌ها:
- نسخهی اصلی رابط گرافیکی ندارد و با خط فرمان کار میکند
- دقت فارسی از انگلیسی پایین‌تر است، به‌خصوص در گفتار محاورهای و لهجهها
- گاهی در سکوت یا نویز، جمله‌ای را که گفته نشده «توهم» می‌زند
- تشخیص گوینده‌ها را خودش انجام نمی‌دهد
نسخهی رایگان و قیمت#
Whisper کاملاً رایگان و متنباز است. هزینه‌ی واقعی، سخت‌افزار است: مدلهای کوچک روی پردازندهی معمولی هم کار می‌کنند و مدلهای بزرگ‌تر با کارت گرافیک سریع میشوند. OpenAI یک API رونویسی هم دارد که بر اساس دقیقه‌ی صدا هزینه می‌گیرد. قیمت‌های روز API را در سایت رسمی ببینید.
فارسی و استفاده از ایران#
Whisper فارسی را پشتیبانی میکند و برای صدای تمیز و گفتار رسمی، مثل سخنرانی یا کتاب صوتی، نتیجهی قابلقبولی می‌دهد. در گفتار محاورهای، واژه‌های انگلیسی میان جمله و صدای پرنویز خطا بالا می‌رود و نیم‌فاصله‌ها و علائم نگارشی را هم باید دستی اصلاح کنید. مدلهای بزرگ‌تر در فارسی به‌وضوح دقیق‌ترند و نسخه‌هایی که جامعه‌ی متنباز برای فارسی تنظیم کرده‌اند گاهی بهتر عمل می‌کنند.
چون روی دستگاه خودتان اجرا میشود، پس از نصب به اینترنت نیاز ندارد و تحریم روی آن اثری ندارد. فقط دانلود کد و فایل مدل ممکن است فیلترشکن بخواهد و API آن از ایران در دسترس نیست.
شروع کار در سه قدم#
- اگر با خط فرمان راحت نیستید، یکی از رابط‌های گرافیکی مبتنی بر Whisper را نصب کنید؛ وگرنه نسخهی اصلی را با Python نصب کنید.
- با یک مدل متوسط شروع کنید و زبان را صریحاً فارسی تعیین کنید.
- خروجی را با فایل صوتی مقایسه کنید و اگر دقت کم است، مدل بزرگ‌تر را امتحان کنید.
جایگزین‌های Whisper#
- Otter.ai: سرویس آماده‌ی رونویسی جلسه، ولی بدون فارسی.
- Fireflies.ai: دستیار جلسه با پشتیبانی از زبان‌های زیاد، از جمله فارسی، به‌صورت آنلاین.
- Descript: رونویسی همراه با ویرایشگر کامل، مناسب محتوای انگلیسی.
برای آشنایی با مفهوم مدل متنباز، مدلهای متنباز هوش مصنوعی: چه هستند و کی به کار می‌آیند را بخوانید. راهنمای عملی اجرا هم در اجرای هوش مصنوعی روی کامپیوتر شخصی و راه‌اندازی مدل متنباز روی سرور برای سایت آمده است.
