Segur que t'ha passat: tens un enregistrament etern d'una entrevista o una classe i se't fa pensar en passar tot això a net. La veritat és que transcriure a mà és una llauna i una pèrdua de temps monumental, sobretot quan les eines gratuïtes de sempre s'emboliquen amb les paraules o s'inventen dades que no existeixen.
Aquí és on entra en joc Whisper, una bèstia de la intel·ligència artificial creada per OpenAI que ha vingut a canviar les regles del joc. No és només un programa més, sinó un model de reconeixement automàtic de veu (ASR) que analitza el so amb una precisió al·lucinant, permetent obtenir textos editables en qüestió de minuts sense haver de trencar-nos el cap.
Què és exactament Whisper i com funciona per dins?
Perquè ens entenguem, Whisper és un sistema de IA dissenyat específicament per convertir la parla en text. A diferència d'altres programaris que fallen constantment, aquest model analitza patrons d'àudio, el context i els trets de qui parla per oferir un resultat professional. En la seva versió v3, ha estat entrenat amb més d'un milió d'hores d'àudio, superant amb escreix les 680.000 hores de la versió anterior, fet que ha aconseguit reduir els errors entre un 10% i un 20%.
Una de les coses més flipants és la capacitat per manejar l'idioma espanyol, on té una taxa d'error inferior al 5% . A més, no es queda curt amb altres idiomes; és capaç de transcriure en més de 100 llengües, incloent català, èuscar, gallec, alemany, àrab o japonès, i fins i tot pot detectar quan l'orador canvia d'idioma al mig d'una frase.
Característiques tècniques i versatilitat
Whisper no és una aplicació tancada, sinó un model de llenguatge que serveix de base perquè altres empreses creïn les seves pròpies eines mitjançant una API. Per adaptar-se a qualsevol equip, OpenAI ho ha llançat en diverses mides segons la potència del maquinari . Hi ha versions lleugeres que requereixen menys d'1 GB de VRAM i compten amb 39 milions de paràmetres, fins a models massius de 1.550 milions de paràmetres que demanen uns 10 GB de VRAM per funcionar al màxim.
Un altre avantatge brutal és la capacitat per interpretar les pauses naturals d'una conversa. Això significa que la IA sap on posar una coma o un punt basant-se en el silenci de l'orador, cosa que ens estalvia un munt de treball de correcció posterior. És ideal per gestionar reunions, podcast o entrevistes amb múltiples interlocutors, ja que identifica i separa els parlants de forma automàtica.
Com posar-ho en marxa: des del tècnic fins al senzill
Si ets una destral de la informàtica, pots anar directament a la seva pàgina de GitHub, descarregar el codi obert i executar-lo localment a la teva màquina seguint les instruccions tècniques. Això és molt similar al que es fa en configurar un assistent de programació IA , ja que requereix coneixements avançats i no és precisament un passeig per a algú que no sàpiga programar.
Si no vols complicar-te la vida, hi ha alternatives molt més mastegades. Per exemple, podeu utilitzar la plataforma de Replicate (replicate.com/openai/whisper) , que permet pujar els vostres fitxers i triar quina versió del model voleu utilitzar (com la v3) sense necessitat d'instal·lar res al vostre ordinador. Així, qualsevol persona pot aprofitar la potència de la IA per obtenir un esborrany editable en temps rècord.
Tenir una eina així a mà és un alleugeriment, especialment per a periodistes o estudiants que passaven hores escoltant el mateix fragment d'àudio. Ara, amb la possibilitat de processar la veu en temps real i una precisió gairebé quirúrgica , la transcripció ha deixat de ser una tasca tediosa per convertir-se en un procés automàtic i eficient que ens permet centrar-nos en allò important: analitzar-ne el contingut.