Whisper (OpenAI)

Whisper একটি ওপেন-সোর্স স্বয়ংক্রিয় স্পিচ রিকগনিশন সিস্টেম, যা ওয়েব থেকে সংগৃহীত 680,000 ঘণ্টার বহুভাষিক ও মাল্টিটাস্ক-সুপারভাইজড ডেটা দিয়ে প্রশিক্ষিত। এটি উচ্চারণ, পটভূমির শব্দ এবং প্রযুক্তিগত ভাষার ক্ষেত্রে নির্ভরযোগ্যভাবে কাজ করার জন্য তৈরি করা হয়েছে এবং একাধিক ভাষার কথাকে ট্রান্সক্রাইব করে ইংরেজিতে অনুবাদ করতে পারে। এটি একটি সরল এন্ড-টু-এন্ড পদ্ধতি, যা এনকোডার-ডিকোডার Transformer হিসেবে বাস্তবায়িত। এটি ভাষা শনাক্তকরণ এবং ফ্রেজ-স্তরের টাইমস্ট্যাম্পও তৈরি করতে পারে। সহজ ব্যবহার ও উচ্চ নির্ভুলতার জন্য এটি তৈরি করা হয়েছে, যাতে ডেভেলপাররা আরও অ্যাপ্লিকেশনে ভয়েস ইন্টারফেস যোগ করতে পারেন।