
Whisper فارسی توسط OpenAI رسماً پشتیبانی میشود، اما نسخهٔ فاینتیونشدهٔ whisper-large-v3-persian در آموزش خود به نرخ خطای کلمه (WER) حدود ۸٫۷ درصد رسیده — این عدد از شرایط آزمایشی مدل است و نتیجهٔ واقعی روی صدای نویزدار یا لهجههای مختلف میتواند متفاوت باشد.
OpenAI مدل اصلی Whisper را روی ۶۸۷٬۳۰۰ ساعت داده چندزبانه آموزش داده و در ۲۱ سپتامبر ۲۰۲۲ بهصورت متنباز منتشر کرد. برای فارسی، مدل پایه دقت پایینتری نسبت به انگلیسی دارد، بنابراین نسخهٔ فاینتیونشدهٔ whisper-large-v3-persian روی این پایه ساخته شد تا رونویسی فارسی را بهبود دهد.
جدول آموزش این فاینتیون را نشان میدهد: در گام ۱۰۰۰ WER برابر ۱۷٫۱۱ بود، در گام ۲۰۰۰ به ۱۲٫۶۲ کاهش یافت، و در گام ۵۰۰۰ (آخرین مرحله) به ۸٫۷۳ رسید. این رقم نشاندهندهٔ بهبود مدل در طی آموزش است، اما در محیط تولید واقعی با صدای متنوع نتیجه متفاوت خواهد بود.
برای دانلود و اجرای Whisper روی ویندوز یا اندروید نسخهٔ رسمی یککلیکی وجود ندارد. مدل و کد آن بهصورت متنباز روی گیتهاب OpenAI عرضه شده و اجرا نیازمند نصب Python و راهاندازی محلی است.
برای یک چتبات فارسی واقعی، Whisper فقط لایهٔ تبدیل صدا به متن است؛ متن خروجی باید به یک مدل زبانی برای فهم و پاسخگویی برسد. 1xAi یک درگاه LLM اداره میکند که این بخش دوم پایپلاین را با اندپوینت سازگار با OpenAI (base_url ` پوشش میدهد. کد اتصال به این درگاه با Python شامل تنظیم base_url و api_key است، سپس ارسال متن رونویسیشده به مدل زبانی برای دریافت پاسخ.
https://1xai.ir/v1`
فهرست کامل مدلهای متنی فعال در ` قابل مشاهده است؛ در حال حاضر اندپوینت اختصاصی Whisper در این فهرست نیست. برای پایپلاین کامل صدا-به-چتبات سفارشی، تیم 1xAi از طریق فرم تماس درخواستهای یکپارچهسازی میپذیرد — این امکان برای کسانی مناسب است که نیاز به بهینهسازی خاص دارند.
https://1xai.ir/models`
دسترسی مستقیم به API OpenAI از داخل ایران بدون کارت خارجی و VPN ممکن نیست، و همینجاست که درگاههای داخلی مثل 1xAi ( وارد ماجرا میشوند.
https://1xai.ir
مقاله کامل با جدول آموزش تفصیلی و نمونه کد: — راهنمای تبدیل صدا به متن برای اپلیکیشن و چتبات فارسی.
https://1xai.ir/blog/whisper-ai-farsi-tabdil-sout-be-matn