语音识别仍是AI与机器学习领域的难题。OpenAI今日开源自动语音识别系统Whisper，宣称可实现多语言“稳健”转录及英译。
尽管Google、Amazon等巨头已拥有强大语音识别系统，但Whisper的独特之处在于其训练数据：基于网络收集的68万小时多语言、多任务数据。这使其能更好识别独特口音、背景噪音及技术术语。
OpenAI在GitHub指出，Whisper主要面向研究模型鲁棒性、泛化能力及局限性的AI研究人员；对开发者而言，尤其在英语ASR领域亦具实用价值。该系统提供多个版本，在约10种语言上表现强劲。若针对语音活动检测、说话人分类等任务微调，或可展现额外能力，但目前尚未充分评估。
局限性与偏见问题
Whisper在文本预测方面存在局限。因训练数据含大量“噪声”，系统可能在转录中生成未说出的词语。此外，其在不同语言上表现不均，对训练数据代表性不足的语言错误率更高。
此类偏见并非新鲜事。2020年斯坦福大学研究发现，亚马逊、苹果、谷歌等主流系统在白人用户上的错误率比黑人用户低约19%。
应用前景与风险提示
OpenAI认为Whisper可改进现有辅助工具。虽不支持开箱即用的实时转录，但其速度与体积允许构建近实时语音识别和翻译应用。
公司同时警示：技术性能差异可能产生经济影响。虽然希望用于有益目的，但速度和准确性的提升使大规模音频通信的自动转录变得廉价，可能被用于构建监控技术或扩大现有监控力度。
此次发布不代表OpenAI未来全部规划。除DALL-E 2、GPT-3等商业项目外，公司仍在推进纯理论研究，包括通过观察视频学习的人工智能系统。