Whisper Large V3

Αναγνώριση ομιλίαςΛηγμένοΜη διαθέσιμο
από OpenAIΑναγνωριστικό μοντέλου: whisper-large-v3

OpenAI's Whisper model. State-of-the-art speech recognition supporting 99+ languages.

Κατάσταση
Μη διαθέσιμο
Είσοδος → Έξοδος
Ήχος → Κείμενο
Προγραμματιστής
OpenAI
Ενημερώθηκε
23 Σεπτεμβρίου 2026

Το Whisper Large V3 δεν είναι διαθέσιμο αυτή τη στιγμή

Μπορείτε να διαβάσετε τις λεπτομέρειες σε αυτήν τη σελίδα. Επιλέξτε μία από τις διαθέσιμες εναλλακτικές λύσεις παρακάτω για να εκτελέσετε αμέσως ένα συγκρίσιμο μοντέλο.

Μετάβαση στις εναλλακτικές λύσεις

Ο πάροχος διακόπτει αυτό το μοντέλο.

01

Συγκρίσιμα μοντέλα

Όλα σε αυτήν την κατηγορία
  • Whisper Large v3 wrapped with Hugging Face Transformers optimizations (batched inference, flash attention) for very high throughput. Transcribes hours of audio in minutes on a single GPU. Maintained by Vaibhav Srivastav. Good when you need bulk transcription fast.

  • WhisperOpenAI

    OpenAI's Whisper running on Replicate. General-purpose speech recognition trained on 680k hours of multilingual audio. Transcribes and translates 99 languages, robust to accents and background noise, and outputs plain text, segments, or word-level timestamps.

  • SeamlessM4TCommunity

    Meta's SeamlessM4T multimodal translation model. Takes speech or text input and produces transcription or translation across about 100 languages, including speech-to-text and speech-to-speech. One model covers ASR plus cross-lingual translation without chaining separate systems.

02

Playground

Δοκιμάστε Whisper Large V3

Χωρίς φόρμα εισόδου

Προς το παρόν μη διαθέσιμο

Προς το παρόν μη διαθέσιμο.

Το playground είναι απενεργοποιημένο. Μπορείτε να βρείτε συγκρίσιμα μοντέλα στην ίδια κατηγορία: Περιήγηση εναλλακτικών λύσεων

03

Σχετικά με το Whisper Large V3

ΣύντομαΗμερομηνία: 23 Σεπτεμβρίου 2026

Το Whisper Large V3 είναι ένα μοντέλο του OpenAI στην κατηγορία Αναγνώριση ομιλίας. Το Whisper Large V3 δεν είναι διαθέσιμο στο Railwail αυτή τη στιγμή.

Φόντο

Σχετικά με OpenAI

Ιδρύθηκε 2015 · San Francisco, California, USA

OpenAI was founded in December 2015 by Sam Altman, Elon Musk, Greg Brockman, Ilya Sutskever, Wojciech Zaremba and John Schulman, restructured to capped-profit OpenAI LP in 2019. Whisper was first released as an open-weights speech recognition model in September 2022 by Alec Radford, Jong Wook Kim, Tao Xu, Greg Brockman, Christine McLeavey and Ilya Sutskever, and quickly became the de-facto open ASR baseline thanks to its zero-shot multilingual quality. Whisper Large v3 was released in November 2023 alongside the GPT-4 Turbo launch as the final open checkpoint in the original Whisper line. OpenAI later released Whisper Large v3 Turbo (October 2024), a distilled faster variant. All Whisper weights remain available under MIT licence on GitHub and Hugging Face and are widely used in production by competitors.

Επισκεφθείτε OpenAI

Αρχιτεκτονική

Encoder-decoder Transformer for multitask speech recognition

Whisper Large v3 is a 1.55B-parameter encoder-decoder Transformer trained for multitask audio understanding. Input is a 30-second log-mel spectrogram with 128 mel bins (up from 80 in v2) processed by a 32-layer audio encoder; the decoder is a 32-layer Transformer that emits special task tokens for language identification, transcription, translation-to-English and timestamp prediction. Whisper was trained on 5 million hours of audio in total: 680k hours of weakly supervised multilingual web audio for v1/v2 plus an additional 4 million hours of pseudo-labelled audio generated by Whisper Large v2 for v3, yielding approximately 1 million hours of weakly supervised and 4 million hours of pseudo-labelled data. The model covers 99 languages, with very strong performance on English long-form (~5% WER on LibriSpeech test-clean) and significantly improved low-resource coverage. Audio longer than 30 seconds is processed with a sliding window. The model is released under MIT licence.

Παράμετροι
1.55B (Large v3)
Περιεχόμενο
30 tokens

Δυνατότητες

  • 99-language transcription with automatic language detection
  • Translation of any supported language directly to English text
  • Word-level and segment-level timestamps
  • 30-second context window with sliding window for long-form audio
  • Open weights under MIT licence, runs on a single 16 GB GPU in fp16
  • Strong robustness to accents, background noise and technical jargon
  • Best for: open-source ASR pipelines, research baselines, on-premise transcription

Εκπαίδευση & άδεια

5 million hours total: ~680k hours of weakly supervised multilingual audio scraped from the public web (subtitles aligned with audio) plus ~4 million hours of pseudo-labelled audio generated by Whisper Large v2. 17% of the supervised set is non-English speech.

Άδεια: MIT licence for code and weights; commercial use permitted.

Δοκιμές ασφάλειας: OpenAI published bias and hallucination analyses; the paper documents over-confident hallucination on silent or non-speech audio. No formal red-team report beyond the original paper.

Γνωστοί περιορισμοί

  • 30-second hard window requires chunking for long audio
  • Known to hallucinate transcripts on silent / music-only segments
  • WER on low-resource languages still much higher than English
  • No native diarisation (must be combined with pyannote)
  • Slow on CPU; requires GPU for real-time
04

Τιμολόγηση

Προς το παρόν μη διαθέσιμο. Δεν υπάρχει τιμή για αυτό το μοντέλο αυτή τη στιγμή, επομένως δεν μπορεί να εκτελεστεί.

05

API

Καλέστε το Whisper Large V3 με το κλειδί Railwail API. Χρησιμοποιήστε αυτό το ID μοντέλου στο αίτημα:

Προς το παρόν μη διαθέσιμο

Το μοντέλο δεν έχει επαληθευμένη τιμή ή είναι απενεργοποιημένο· οι κλήσεις API απορρίπτονται.

06

Προδιαγραφές

ID μοντέλου
whisper-large-v3
Ανάπτυξη
OpenAI
Είσοδος
Ήχος
Έξοδος
Κείμενο
Μορφές εξόδου
JSON, SRT, VTT
Κύκλος ζωής
Ληγμένο
Μέγεθος μοντέλου
1.55B (Large v3)
Άδεια
MIT licence for code and weights; commercial use permitted.
Καταχώρηση καταλόγου ενημερώθηκε
23 Σεπτεμβρίου 2026

Παράμετροι εισόδου

Εισόδους και ρυθμίσεις από το σχήμα εισόδου του μοντέλου. Το παράδειγμα στην ενότητα API δείχνει ποιες από αυτές δέχεται το API.

  • fileΥποχρεωτικό
    Τύπος: Αρχείο
    Προεπιλογή: –
    Επιτρεπόμενες τιμές: audio/*
  • language
    Τύπος: Κείμενο
    Προεπιλογή: –
    Επιτρεπόμενες τιμές: –

Ετικέτες

  • multilingual
  • popular
07

Παράδειγμα προτροπών

Παραδείγματα από τον κατάλογο Railwail. Δεν δημιουργήθηκαν ζωντανά σε αυτήν τη σελίδα.
  • Meeting Notes

    Εμφάνιση παραδείγματος απάντησης

    Good morning everyone. Let's start with the sprint review. The authentication module shipped on Friday and we've had zero critical bugs reported so far. Sarah, can you walk us through the performance metrics? We're seeing a forty percent reduction in login latency which is well above our target.

  • Interview Transcript

    Εμφάνιση παραδείγματος απάντησης

    So tell me about your experience with distributed systems. I spent three years at a fintech startup building event-driven microservices using Kafka and Kubernetes. The biggest challenge was handling exactly-once delivery semantics across our payment processing pipeline. We ended up implementing an idempotency layer that reduced duplicate transactions by ninety-nine point nine percent.

08

Περιπτώσεις χρήσης

Για τι χρησιμοποιείται

  • Open-source transcription pipelines
  • Academic ASR research baselines
  • Multilingual podcast transcription
  • Translation of foreign-language audio to English
  • On-premise speech recognition for privacy-sensitive workloads
09

Συχνές ερωτήσεις

Τι είναι Whisper Large V3;

Το Whisper Large V3 είναι ένα μοντέλο του OpenAI στην κατηγορία Αναγνώριση ομιλίας. Είναι καταχωρημένο στο Railwail αλλά δεν μπορεί να εκτελεστεί αυτή τη στιγμή.

Πόσο κοστίζει το Whisper Large V3 στο Railwail;

Το Whisper Large V3 δεν μπορεί να εκτελεστεί στο Railwail αυτή τη στιγμή, επομένως δεν υπάρχει τρέχουσα τιμή. Διαθέσιμες εναλλακτικές λύσεις με τιμές παρατίθενται παρακάτω σε αυτήν τη σελίδα.

Ποιες ρυθμίσεις υποστηρίζει το Whisper Large V3;

Σύμφωνα με το σχήμα εισόδου του, το Whisper Large V3 γνωρίζει αυτές τις παραμέτρους: file (audio/*) και language.

Πόσο γρήγορο είναι το Whisper Large V3;

Δεν υπάρχουν αρκετές μετρημένες εκτελέσεις του Whisper Large V3 στο Railwail ακόμα για να δηλωθεί ένας χρόνος εκτέλεσης. Εξαρτάται από την είσοδο, τις ρυθμίσεις και το φορτίο στον πάροχο.

Είναι το Whisper Large V3 καλύτερο από το Incredibly Fast Whisper;

Αυτό εξαρτάται από την εργασία. Το Whisper Large V3 (OpenAI) και το Incredibly Fast Whisper (Community) είναι και τα δύο μοντέλα στην κατηγορία Αναγνώριση ομιλίας. Η σελίδα σύγκρισης δείχνει τις τιμές και τις προδιαγραφές τους παράλληλα.

Σύγκριση Whisper Large V3 και Incredibly Fast Whisper

Μπορώ να χρησιμοποιήσω το Whisper Large V3 τώρα;

Προς το παρόν μη διαθέσιμο. Η σελίδα παραμένει ενεργή· διαθέσιμες εναλλακτικές λύσεις από την ίδια κατηγορία παρατίθενται παρακάτω.

Όλα τα μοντέλα μέσω ενός API

Ένα κλειδί API για κάθε μοντέλο στο Railwail. Η χρήση χρεώνεται από προπληρωμένα πιστωτικά, 1 πιστωτικό = 0,01 $.