Whisper

Radford et al.（2022）が発表した Whisper は、68万時間に及ぶ多言語音声データを用いて弱教師あり学習で訓練された、自動音声認識・翻訳モデルです。この規模により、ゼロショットで多くの言語やさまざまな条件に汎化でき、タスク固有のファインチューニングなしで人間に近い頑健性を実現しています。

Whisper は、文字起こし、字幕作成、音声インターフェースなど、音声をテキストに変換する用途で広く使われており、AI アシスタントへの音声入力にも利用されています。