Whisper Large V3

Говор во текстИсклученоНедостапно
од OpenAIID на модел: whisper-large-v3

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

Статус
Недостапно
Влез → излез
Аудио → Текст
Развивач
OpenAI
Ажурирано
23 септември 2026 г.

Whisper Large V3 е моментално недостапен

Можете да ги прочитате деталите на оваа страница. Изберете една од достапните алтернативи подолу за да извршите споредлив модел веднаш.

Оди на алтернативи

Добавувачот го повлекува овој модел.

01
  • 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.

    ≈ 0,0034 US$/извршување

    Споредете Whisper Large V3 и Whisper
  • 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.

    ≈ 0,156 US$/извршување

    Споредете Whisper Large V3 и SeamlessM4T
02

Playground

Пробајте Whisper Large V3

Нема форма за влез

Тренутно недостапно

Моментално недостапно.

Игралиштето е оневозможено. Слични модели можете да најдете во иста категорија: Погледни алтернативи

03

За Whisper Large V3

НакраткоОд 23 септември 2026 г.

Whisper Large V3 е модел од OpenAI во категоријата Говор во текст. Whisper Large V3 моментално не е достапен на Railwail.

Позадина

За OpenAI

Основана 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.

Посетете OpenAI

Архитектура

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.

Параметри
1.55B (Large v3)
Контекст
30 токени

Способности

  • 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

Обука и лиценца

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.

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

Тестирање на безбедност: 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.

Познати ограничувања

  • 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

Цени

Моментално недостапно. Нема цена за овој модел во моментот, затоа не може да се извршува.

05

API

Повикајте го Whisper Large V3 со вашиот Railwail API клуч. Користете го овој ID на моделот во барањето:

Моментално недостапно

Моделот нема потврдена цена или е деактивиран; API повиците се отфрлаат.

06

Спецификации

ID на моделот
whisper-large-v3
Развивач
OpenAI
Категорија
Говор во текст
Влез
Аудио
Излез
Текст
Формати на излез
JSON, SRT, VTT
Животен циклус
Исклучено
Големина на модел
1.55B (Large v3)
Лиценца
MIT licence for code and weights; commercial use permitted.
Каталошка ставка ажурирана
23 септември 2026 г.

Параметри на влез

Влезови и поставки од шемата на влез на моделот. Примерот во делот API покажува кои од нив ги прифаќа API.

  • fileзадолжително
    Тип: Датотека
    Стандардно: –
    Дозволени вредности: audio/*
  • language
    Тип: Текст
    Стандардно: –
    Дозволени вредности: –

Ознаки

  • multilingual
  • popular
07

Примерни промпти

Примери од каталогот на Railwail. Тие не беа генерирани живо на оваа страница.
  • Meeting Notes

    Покажи примерен одговор

    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

    Покажи примерен одговор

    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

Случаи на употреба

За што се користи

  • 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

Често поставувани прашања

Што е Whisper Large V3?

Whisper Large V3 е модел од OpenAI во категоријата Говор во текст. Наведено е на Railwail, но не може да се извршува во моментов.

Колку чини Whisper Large V3 на Railwail?

Whisper Large V3 не може да се извршува на Railwail во моментов, затоа нема тековна цена. Достапни алтернативи со цени се наведени подолу на оваа страница.

Кои поставки поддржува Whisper Large V3?

Според неговата шема за влез, Whisper Large V3 ги познава овие параметри: file (audio/*) и language.

Колку брз е Whisper Large V3?

Нема доволно измерени извршувања на Whisper Large V3 на Railwail за да се наведе време на извршување. Зависи од влезот, поставките и оптеретувањето кај добавувачот.

Дали Whisper Large V3 е подобар од Incredibly Fast Whisper?

Зависи од задачата. Whisper Large V3 (OpenAI) и Incredibly Fast Whisper (Community) се обата модели во категоријата Говор во текст. Страницата за споредба ги покажува нивните цени и спецификации една до друга.

Спореди Whisper Large V3 и Incredibly Fast Whisper

Можам ли да го користам Whisper Large V3 сега?

Моментално недостапно. Страницата останува онлајн; достапни алтернативи од иста категорија се наведени подолу.

Сите модели преку една API

Еден API клуч за секој модел на Railwail. Употребата се наплаќува од подготвени кредити, 1 кредит = 0,01 US$.