Whisper, presentado por Radford et al. (2022), es un modelo de reconocimiento automático y traducción del habla entrenado con supervisión débil sobre 680.000 horas de audio multilingüe. Esa escala le permitió generalizar a muchos idiomas y condiciones sin ejemplos previos (zero-shot), acercándose a la robustez humana sin ajuste fino específico para la tarea.
Whisper se usa mucho para convertir voz en texto en transcripciones, subtítulos e interfaces de voz, incluida la entrada por voz en asistentes de IA.