Co to jest model Whisper?
Model Szeptu to model mowy na tekst z interfejsu OpenAI, którego można użyć do transkrypcji plików audio. Model jest trenowany na dużym zestawie danych języka angielskiego audio i tekstu. Model jest zoptymalizowany pod kątem transkrypcji plików audio zawierających mowę w języku angielskim. Model może również służyć do transkrypcji plików audio zawierających mowę w innych językach. Dane wyjściowe modelu to tekst w języku angielskim.
Modele szeptu są dostępne za pośrednictwem usługi Azure OpenAI Service lub usługi Azure AI Speech. Funkcje różnią się w przypadku tych ofert. W usłudze Azure AI Speech (transkrypcja wsadowa), Whisper to tylko jeden z kilku modeli, których można użyć do zamiany mowy na tekst.
Mogą pojawić się następujące pytania:
Czy model szeptu jest dobrym wyborem dla mojego scenariusza, czy też model usługi Azure AI Speech jest lepszy? Jakie są porównania interfejsów API między dwoma typami modeli?
Jeśli chcę użyć modelu szeptu, czy należy używać go za pośrednictwem usługi Azure OpenAI Lub za pośrednictwem usługi Azure AI Speech? Jakie scenariusze prowadzą mnie do korzystania z jednego lub drugiego?
Model szeptu lub modele mowy usługi Azure AI
Model szeptu lub modele mowy usługi Azure AI są odpowiednie w zależności od scenariuszy. Jeśli zdecydujesz się na korzystanie z usługi Azure AI Speech, możesz wybrać spośród kilku modeli, w tym modelu Whisper. W poniższej tabeli porównaliśmy opcje z zaleceniami dotyczącymi miejsca rozpoczęcia.
| Scenariusz | Model szeptu | Modele mowy usługi Azure AI |
|---|---|---|
| Transkrypcje, transkrypcje, transkrypcje i napisy w czasie rzeczywistym dla audio i wideo. | Niedostępny | Zalecane |
| Transkrypcje, transkrypcje i napisy dla wstępnie rozpoznanego dźwięku i wideo. | Model Whisper za pośrednictwem usługi Azure OpenAI jest zalecany do szybkiego przetwarzania poszczególnych plików audio. Model Szeptu za pośrednictwem usługi Azure AI Speech (transkrypcja wsadowa) jest zalecany do przetwarzania wsadowego dużych plików. Aby uzyskać więcej informacji, zobacz Model szeptu za pośrednictwem transkrypcji wsadowej usługi Azure AI Speech lub za pośrednictwem usługi Azure OpenAI Service? | Zalecane do przetwarzania wsadowego dużych plików, diaryzacji i sygnatur czasowych na poziomie wyrazów. |
| Transkrypcja nagrań i analiz połączeń telefonicznych, takich jak podsumowanie połączeń, tonacja, kluczowe tematy i niestandardowe szczegółowe informacje. | Dostępny | Zalecane |
| Transkrypcja i analiza w czasie rzeczywistym w celu ułatwienia agentom centrum obsługi telefonicznej pytań klientów. | Niedostępny | Zalecane |
| Transkrypcja nagrań i analiz spotkań, takich jak podsumowanie spotkania, rozdziały spotkania i wyodrębnianie elementów akcji. | Dostępny | Zalecane |
| Wprowadzanie tekstu w czasie rzeczywistym i generowanie dokumentów za pomocą dyktowania głosowego. | Niedostępny | Zalecane |
| Agent połączeń głosowych centrum kontaktów: routing połączeń i interakcyjne odpowiedzi głosowe dla centrów połączeń. | Dostępny | Zalecane |
| Asystent głosowy: Asystent głosowy specyficzny dla aplikacji dla zestawu, aplikacji mobilnej, w samochodzie i innych scenariuszy. | Dostępny | Zalecane |
| Ocena wymowy: ocena wymowy głosu osoby mówiącej. | Niedostępny | Zalecane |
| Tłumaczenie dźwięku na żywo z jednego języka na inny. | Niedostępny | Zalecane za pośrednictwem interfejsu API tłumaczenia mowy |
| Tłumaczenie wstępnie rozpoznanego dźwięku z innych języków na język angielski. | Zalecane | Dostępne za pośrednictwem interfejsu API tłumaczenia mowy |
| Tłumaczenie wstępnie rozpoznanego dźwięku na języki inne niż angielski. | Niedostępny | Zalecane za pośrednictwem interfejsu API tłumaczenia mowy |
Model szeptu za pośrednictwem usługi Azure AI Speech lub za pośrednictwem usługi Azure OpenAI Service?
Jeśli zdecydujesz się użyć modelu Whisper, masz dwie opcje. Możesz wybrać, czy używać modelu szeptu za pośrednictwem usługi Azure OpenAI, czy za pośrednictwem usługi Azure AI Speech (transkrypcja wsadowa). W obu przypadkach czytelność transkrypcji tekstu jest taka sama. Możesz wprowadzić dźwięk w języku mieszanym, a dane wyjściowe są w języku angielskim.
Model szeptu za pośrednictwem usługi Azure OpenAI Service może być najlepszy dla:
- Szybkie transkrypcja plików audio pojedynczo
- Tłumaczenie dźwięku z innych języków na język angielski
- Podaj monit dotyczący modelu, aby pokierować danymi wyjściowymi
- Obsługiwane formaty plików: mp3, mp4, mpweg, mpga, m4a, wav i webm
- Tylko znak ASCII obsługiwany dla nazwy pliku
Model szeptu za pośrednictwem transkrypcji wsadowej usługi Azure AI Speech może być najlepszy dla:
- Transkrypcja plików większych niż 25 MB (do 1 GB). Limit rozmiaru pliku dla modelu Azure OpenAI Whisper wynosi 25 MB.
- Transkrypcja dużych partii plików audio.
- Diarization w celu rozróżnienia między różnymi prelegentami uczestniczącymi w konwersacji. Usługa rozpoznawania mowy udostępnia informacje o tym, który mówca mówił określoną część transkrypcji mowy. Model Whisper za pośrednictwem usługi Azure OpenAI nie obsługuje diaryzacji.
- Znaczniki czasu na poziomie programu Word
- Obsługiwane formaty plików: mp3, wav i ogg.
Pomoc regionalna to kolejna kwestia.
- Model Whisper za pośrednictwem usługi Azure OpenAI Service jest dostępny w następujących regionach: Wschodnie stany USA 2, Indie Południowe, Północno-środkowe, Norwegia Wschodnia, Szwecja Środkowa, Szwajcaria Północna i Europa Zachodnia.
- Model szeptu za pośrednictwem usługi Azure AI Speech jest dostępny w następujących regionach: Australia Wschodnia, Wschodnie stany USA, Północno-środkowe stany USA, Południowo-środkowe stany USA, Azja Południowo-Wschodnia, Południowe Zjednoczone Królestwo i Europa Zachodnia.