Whisper Large V3

Препознавање говораЗастарелоНедоступно
од OpenAIID модела: whisper-large-v3

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

Статус
Недоступно
Унос → излаз
Аудио → Текст
Програмер
OpenAI
Ажурирано
23. септембар 2026.

Whisper Large V3 је тренутно недоступан

Можеш и даље читати детаље на овој страници. Изабери једну од доступних алтернатива испод да одмах покренеш упоредив модел.

Иди на алтернативе

Добављач повлачи овај модел.

01

Упоредиви модели

Сви у овој категорији
  • 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$/покретање

    Упоредите 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.

02

Плејграунд

Пробајте Whisper Large V3

Нема маске за унос

Тренутно недоступно

Тренутно недоступно.

Playground је онемогућен. Упоредиве моделе можете пронаћи у истој категорији: Погледајте алтернативе

03

О Whisper Large V3

УкраткоСтање: 23. септембар 2026.

Whisper Large V3 је модел од OpenAI из категорије Препознавање говора. Whisper Large V3 тренутно није доступан на Railwail-у.

Позадина

О OpenAI

Основано 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.

Посетите 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 токена

Могућности

  • 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 безбедности: 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.

Позната ограничења

  • 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

Цене

Тренутно недоступно. За овај модел тренутно нема цене, па се не може покренути.

05

API

Позови Whisper Large V3 са твојим Railwail API кључем. Користи овај ID модела у захтеву:

Тренутно недоступно

Модел нема верификовану цену или је деактивиран; API позиви су одбијени.

06

Спецификације

ID модела
whisper-large-v3
Програмер
OpenAI
Унос
Аудио
Излаз
Текст
Формати излаза
JSON, SRT, VTT
Животни циклус
Застарело
Величина модела
1.55B (Large v3)
Лиценца
MIT licence for code and weights; commercial use permitted.
Унос у каталог ажуриран
23. септембар 2026.

Параметри уноса

Уноси и подешавања из шеме уноса модела. Пример у API одељку показује које од њих API прихвата.

  • fileобавезно
    Тип: Датотека
    Подразумевано: –
    Дозвољене вредности: audio/*
  • language
    Тип: Текст
    Подразумевано: –
    Дозвољене вредности: –

Ознаке

  • multilingual
  • popular
07

Примери промпта

Примери из Railwail каталога. Нису генерисани уживо на овој страници.
  • Meeting Notes

    Прикажи пример одговора

    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

    Прикажи пример одговора

    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

Области примене

За шта 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 постављана питања

Шта је Whisper Large V3?

Whisper Large V3 је модел од OpenAI у категорији Препознавање говора. Наведен је на Railwail-у, али се тренутно не може покренути.

Колико кошта Whisper Large V3 на Railwail-у?

Whisper Large V3 се тренутно не може покренути на Railwail-у, па нема тренутне цене. Доступне алтернативе са ценама су наведене даље на овој страници.

Које поставке подржава Whisper Large V3?

Према својој шеми уноса, Whisper Large V3 познаје ове параметре: file (audio/*) и language.

Колико је брз Whisper Large V3?

За Whisper Large V3 на Railwail-у још нема довољно измерених покретања да би се наводило време извршавања. Зависи од уноса, поставки и оптерећења код пружаоца услуге.

Да ли је Whisper Large V3 бољи од Incredibly Fast Whisper?

То зависи од задатка. Whisper Large V3 (OpenAI) и Incredibly Fast Whisper (Community) су оба модела у категорији Препознавање говора. Страница за поређење приказује њихове цене и спецификације упоредо.

Упоредите Whisper Large V3 и Incredibly Fast Whisper

Могу ли да користим Whisper Large V3 управо сада?

Тренутно недоступно. Страница остаје активна; доступне алтернативе из исте категорије су наведене даље.

Сви модели преко једног API-ја

Један API кључ за сваки модел на Railwail. Употреба се наплаћује из унапред припремљених кредита, 1 кредит = 0,01 US$.