Whisper, presentato da Radford et al. (2022), è un modello di riconoscimento automatico del parlato e di traduzione addestrato con supervisione debole su 680.000 ore di audio multilingue. Questa scala gli ha permesso di generalizzare a molte lingue e condizioni in modalità zero-shot, avvicinandosi alla robustezza umana senza fine-tuning specifico per il compito.
Whisper è ampiamente usato per convertire la voce in testo per trascrizioni, sottotitoli e interfacce vocali, compreso l'input vocale verso gli assistenti IA.