Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.

whisper-1 от OpenAI переводит аудио в текст. Загружаете запись — получаете расшифровку. Подходит для интервью, подкастов, созвонов, лекций, голосовых сообщений и заготовок под субтитры. Удобно, когда нужно быстро превратить часы разговоров в читаемый текст для поиска и правок.

До 4096 токенов за один ответ — это примерно несколько страниц расшифровки, контекст модели составляет 4095 токенов. Длинную запись лучше нарезать на фрагменты и отправлять их по очереди, а затем склеивать результат: так ничего не обрежется на середине фразы.

В наших данных отдельный режим рассуждений у whisper-1 не отмечен, и по задаче он здесь не нужен: модель распознаёт речь, а не строит цепочки выводов. Если нужен анализ расшифровки, передайте текст текстовой модели в том же окне BotHub.

В наших данных вызов функций и строгий JSON-вывод у whisper-1 не отмечены. Обращение идёт через единый OpenAI-совместимый API BotHub: вы отправляете файл и получаете расшифровку, а структурировать её можно уже на своей стороне или следующим шагом пайплайна.

Аудио — да, это основной вход модели: именно звуковую дорожку whisper-1 превращает в текст. Изображения в наших данных как вход не отмечены. С видео работают просто: извлекаете аудиодорожку любым конвертером и отправляете её на распознавание.

whisper-1 — многоязычная модель распознавания речи, русскую речь она понимает и расшифровывает. Качество сильнее зависит от самой записи: чистый звук, один говорящий и спокойный темп дают заметно более аккуратный текст, чем шумный зал или сильный акцент. Проверьте на своём файле.