ویسپر (Whisper)؛ تبدیل صدا به متن با هوش مصنوعی

Whisper مدل تبدیل گفتار به متن OpenAI است که متن‌باز منتشر شده و حدود ۹۹ زبان را می‌شناسد. در همزاد فایل صوتی یا ضبط خودت را می‌گیرد و متنش را با زمان شروع هر بخش می‌نویسد.

فارسی را می‌نویسد، اما در آزمون‌های کاربران خطایش در فارسی خیلی بیشتر از انگلیسی بوده؛ به‌خصوص در نام‌ها و صدای شلوغ. «واژه‌های خاص» را پر کن و متن را بازخوانی کن. اگر دقت مهم است، Scribe را امتحان کن.

هر دو گفتار را با زمان به متن تبدیل می‌کنند. Scribe تازه‌تر است، گوینده‌ها را از هم جدا می‌کند، به گفته‌ی سازنده در فارسی دقیق‌تر است و در همزاد کم‌هزینه‌تر. Whisper در عوض «واژه‌های خاص» را می‌گیرد تا نام‌ها و اصطلاح‌ها را همان‌طور که می‌خواهی بنویسد.

متن در استودیو صدا با زمان شروع هر بخش می‌آید و با زدن هر خط، صدا از همان‌جا پخش می‌شود. می‌توانی همه‌اش را کپی کنی یا فایل متنی‌اش را بگیری.

نه. خود مدل متن‌باز است، اما اجرایش هزینه دارد. در همزاد اعتبار رایگان پیش‌فرض نیست؛ به اندازه‌ی دقیقه‌های فایل اعتبار کم می‌شود و قیمت را پیش از ساخت می‌بینی.

هر دقیقه با Whisper ۴ اعتبار است؛ یعنی حدود ۳٬۱۰۰ تا ۴٬۰۰۰ تومان، بسته به بسته‌ی اعتباری که می‌خری. پیش از هر ساخت قیمت دقیقش را می‌بینی و تا نتیجه تحویلت نشود، اعتباری کم نمی‌شود.

نه. با یک حساب همزاد به Whisper و بقیه‌ی مدل‌ها دسترسی داری؛ با شماره‌ی موبایل یا ایمیل وارد می‌شوی و با کارت‌های بانکی عضو شتاب به تومان پرداخت می‌کنی. به خرید اکانت یا اشتراک خارجی و شماره‌ی مجازی نیازی نیست.