• 音声認識モデル「Whisper」とは

Whisperとは「DALL・E2」、「GPT-3」などを開発しているOpenAIが開発した汎用的な音声認識モデルです。
教師あり学習で68万時間というデータで学習しており、日本語を含む多言語の音声を高精度で文字起こしします。
その高い音声認識精度を持つWhisperを用いたAPIを無償提供し、外部サービスと連携することで幅広いお客様にご利用いただきたいと考えております。
また、APIだけではなくプログラミングの知識をお持ちでない方でも、簡単にブラウザでご利用いただけるwebサービスも提供いたします。

• Whisperの強み

1.日本語を含む多言語に対応
2. 電話対応やナレーション、会議での録音など様々なシチュエーションに強く、また雑踏などノイズにも強いです。
3.高い文字起こし精度
68万時間に及ぶ多様性がある大量のデータを学習に利用しているため、高い文字起こし精度を実現しています。
※日本語の単語誤り率（WER/Word Error Rate）は6.4%と利用できる言語の中でも高い文字起こし精度を誇ります。

（https://github.com/openai/whisper より）

• 文字起こしの一例

実際に、音声をモデルサイズtiny、smallで文字起こしした例です。
音声には、弊社が提供しているAI音声合成読み上げサービス「バズ読（https://buzzdoku.itl-portal.com）」で生成した音声を使用しています。

例1
●読み上げテキスト原文
「自然災害は突発的に大きな被害をもたらします。そのため、日頃から十分な防災対策が求められます。」

・Whisper文字起こし結果
モデルサイズsmallの場合
「自然災害は突発的に大きな被害をもたらします。そのため、日頃から十分な防災対策求められます。」

モデルサイズtinyの場合
「自然災害は突発的に大きな被害を戻らします。そのため、日頃から十分な防災対策が求められます。」

例2
●読み上げテキスト原文
「バズ読、カスタマーサポートです。ご利用方法に関するお問い合わせは1を、お支払いに関するお問い合わせは2を押してください。」

・Whisper文字起こし結果
モデルサイズsmallの場合
「バズドク、カスタマーサポートです。ご利用方法に関するお問い合わせは一応、お支払いに関するお問い合わせは二応してください。」

モデルサイズtinyの場合
「バズドク、カスタマーサポートです。ご利用方法に関するをとい合わせはいちをおしはらいに関するをとい合わせは2をしてください。」

• 今後の展望

・より精度の高いモデルサイズ largeの提供
・翻訳機能
・音声の言語認識
・音声区間検出
・タイムスタンプの出力
などお客様のニーズが高まれば実装していく予定でございます。

• 利用について

インター・ラボ ポータルサイト（https://itl-portal.com）にアクセス
登録タブより会員登録（無料）していただくと、モデルサイズsmallでご利用いただけます。
※ブラウザ版を非会員でご利用の方は、モデルサイズtinyのみご利用可能です。
​※APIでのご利用は非会員の方でも、モデルサイズsmallがご利用いただけます。

• サービス概要

サービス名：WhisperAPI
サービス内容：音声認識・音声文字起こし
提供開始日：2022年12月15日（木）
URL：https://itl-portal.com/services/portal-api/transcription

• 会社概要

商号：インター・ラボ株式会社
代表者：代表取締役　長山 清志
所在地：〒541-0046 大阪府大阪市中央区平野町4丁目6-3 大明ビル2F
設立：2013年6月
資本金：1,000万円
URL:https://interlab-inc.jp