Zum Hauptinhalt springen

Whisper-Large-V3-Turbo

Der Spracherkennungs-Guide enthält lauffähige Beispiele für einfache Transkription, Mehrsprachigkeit, die Verarbeitung großer Dateien und eine Transkriptions- und Zusammenfassungs-Pipeline.

Beschreibung​

„Whisper-Large-V3-Turbo” ist ein mehrsprachiges automatisches Spracherkennungsmodell (ASR – Automatic Speech Recognition) von OpenAI, optimiert für Geschwindigkeit und Effizienz. Es basiert auf der Architektur des bekannten „Whisper-Large-V3“-Modells, verwendet jedoch eine leichtere Decoder-Struktur für deutlich geringere Latenz bei nur minimalem Genauigkeitsverlust. Das Modell unterstützt über 99 Sprachen und ist ideal für die Transkription von Spracheingaben.

Tokenverbrauch​

Whisper verarbeitet Audio in 20-ms-Schritten, was 50 Basistoken pro Audiosekunde entspricht. Mit dem berücksichtigten Tokenfaktor von 0.5x werden final 25 Token pro Audiosekunde berechnet.

Die folgenden Einschränkungen gelten für dieses Modell bei unserer Plattform:

  • Maximale Dateigröße: 25 MB pro Upload
  • Maximale Audiolänge: 10 Minuten (600 Sekunden) pro Anfrage
  • Es ist derzeit keine Übersetzung möglich (to_language)
  • Unterstützte Ausgabeformate: json, verbose_json
    • response_format="text" wird akzeptiert, gibt aber immer einen JSON-Body zurück – stattdessen "json" verwenden
    • srt und vtt werden nicht unterstützt (HTTP 400)

Audiolänge und Dateigröße​

Unterstützte Eingabeformate​

mp3, ogg, wav, flac

Unterstützte Werte für Parameter language (ISO-639-1 Sprachcodes)​

af, ar, az, be, bg, bs, ca, cs, cy, da, de, el, en, es, et, fa, fi, fr, gl, he, hi, hr, hu, hy, id, is, it, ja, kk, kn, ko, lt, lv, mk, mi, mr, ms, ne, nl, no, pl, pt, ro, ru, sk, sl, sr, sv, sw, ta, th, tl, tr, uk, ur, vi, zh

Empfohlene Inferenzparameter​

  • temperature=1.0
  • top_p=1.0
  • response_format="json"
  • language wie language="de"sollte immer explizit gesetzt werden, um die Genauigkeit zu maximieren. Wird kein Wert angegeben, wird standardmäßig Deutsch ("de") angenommen, kann aber für anderssprachige Eingaben dann schlechtere Ergebnisse liefern.

Beispielausgabe — response_format="json"​

{
  "text": "Das ist der transkribierte Text einer Spracheingabe.",
  "usage": {
    "type": "duration",
    "seconds": 8
  }
}

Beispielausgabe — response_format="verbose_json"​

Gibt zusätzliche Metadaten zurück, darunter erkannte Sprache, Dauer und segmentgenaue Zeitstempel:

{
  "text": "Das ist der transkribierte Text.",
  "language": "de",
  "duration": "8.0",
  "words": null,
  "segments": [
    {
      "id": 0,
      "avg_logprob": -0.45,
      "text": " Das ist der transkribierte Text.",
      "start": 0.0,
      "end": 2.4
    }
  ]
}

Nutzungsbedingungen und Lizenzierung​

Die allgemeinen Nutzungsbedingungen gelten. Das Modell wird von OpenAI unter der MIT-Lizenz bereitgestellt, und die Wiederverwendung des generierten Inhalts unterliegt keinen zusätzlichen Einschränkungen.