O Whisper, apresentado por Radford et al. (2022), é um modelo de reconhecimento automático de fala e tradução treinado com supervisão fraca em 680.000 horas de áudio multilíngue. Essa escala permitiu que ele generalizasse para muitos idiomas e condições em modo zero-shot, aproximando-se da robustez humana sem fine-tuning específico para cada tarefa.
O Whisper é amplamente usado para converter voz em texto em transcrições, legendas e interfaces de voz, incluindo a entrada por voz em assistentes de IA.