Whisper, présenté par Radford et al. (2022), est un modèle de reconnaissance automatique de la parole et de traduction entraîné en supervision faible sur 680 000 heures d’audio multilingue. Cette échelle lui permet de généraliser à de nombreuses langues et conditions en zero-shot, avec une robustesse proche de celle de l’humain, sans fine-tuning spécifique à la tâche.
Whisper est largement utilisé pour convertir la voix en texte : transcription, sous-titrage et interfaces vocales, y compris la saisie vocale dans les assistants IA.