Whisper, vorgestellt von Radford et al. (2022), ist ein Modell für automatische Spracherkennung und Übersetzung, das mit schwacher Überwachung auf 680.000 Stunden mehrsprachigem Audio trainiert wurde. Dieser Umfang ermöglichte es, im Zero-Shot-Verfahren auf viele Sprachen und Bedingungen zu generalisieren und sich der Robustheit des Menschen anzunähern – ohne aufgabenspezifisches Fine-Tuning.
Whisper wird häufig eingesetzt, um Sprache in Text umzuwandeln – für Transkription, Untertitel und Sprachschnittstellen, einschließlich Spracheingabe für KI-Assistenten.