待验证60% 置信事实精确时间

Whisper 的训练数据包含 68 万小时，大量来自互联网上字幕质量参差不齐的视频

2

来源数

60%

置信度

长期有效

时效性

2026/7/22

首次发现

来源

transcribe.cpp：基于ggml的统一语音识别引擎，支持16+模型

相关事实

待验证训练使用约500万行英文维基百科语料约3亿token，10万上下文词表，23758个名词目标67% 相似待验证CLIP的训练数据来自互联网公开爬取的数据集WIT（WebImageText），其规模约为ImageNet（约1400万张标注图像）的近30倍65% 相似待验证Common Crawl是非营利组织运营的大规模网络爬取项目，每月抓取数十亿网页，数据集被用于训练包括GPT系列在内的大型语言模型64% 相似待验证现代图像生成模型的训练数据通常来自数十亿张互联网图片及其配套的文本描述63% 相似待验证卡帕西在YouTube上发布的神经网络系列教程累计播放量超过千万63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/587207

API

curl https://kongchang.com/api/v1/knowledge/claims/587207

MCP

get_claim(id=587207)