Транскрибиране на аудиофайл: gpt-transcribe и Whisper
На тази страница
Урокът е пренаписан на 3 ноември 2026 г. Това ръководство преди това обхващаше
whisper-1, който е остарял и ще бъде спрян на 26 февруари 2027 г. Ръководството на OpenAI за Транскрибиране на файлове вече препоръчваgpt-transcribe. Въпреки това,gpt-transcribeне предоставя времеви маркери, субтитри във формат SRT или VTT, нито отговор във форматverbose_json. За тези специфични нуждиwhisper-1остава единственият вариант до неговото спиране. Кодът преди това достъпваше сегментите като речници (segment["start"]), което предизвикваTypeErrorс Python SDK; те са обекти (segment.start). Всяко извикване е проверено съсopenaiSDK версия 3.42.1. Източници: File transcription · Create transcription · GPT-Transcribe · Deprecations.
Транскрибиране на запис
Транскрибирането на файлове адресира най-честия случай на употреба: разполагате с готов запис (среща, подкаст, гласово съобщение) и се нуждаете от текста. Изпращате файла до крайната точка /v1/audio/transcriptions и получавате транскрипцията. За аудио, което все още постъпва, например от микрофон или телефонно обаждане, правилният подход е транскрибиране на живо чрез Realtime API, което ще разгледаме по-късно в този курс.
Файлът трябва да бъде 25 MB или по-малък, в един от следните формати: mp3, mp4, mpeg, mpga, m4a, wav или webm.
Кой модел през ноември 2026 г.
| Модел | Статус | Ключови точки |
|---|---|---|
gpt-transcribe | Препоръчителен | Контекст (prompt), ключови думи (keywords), очаквани езици (languages), потоково транскрибиране; $0.0045 на минута |
whisper-1 | Остарял, спиране на 26 февруари 2027 г. | Единственият модел, предоставящ времеви маркери, verbose_json, SRT и VTT, както и превод на английски |
gpt-4o-transcribe, gpt-4o-mini-transcribe | Остарял, спиране на 26 февруари 2027 г. | Заменен от gpt-transcribe |
gpt-4o-transcribe-diarize | Остарял, спиране на 26 февруари 2027 г. | Идентификация на говорещия (diarized_json) |
Първо транскрибиране
from openai import OpenAI
client = OpenAI()
with open("recording.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(transcription.text)
По подразбиране отговорът е JSON обект: transcription.text съдържа текста, а transcription.languages изброява езиците, които моделът е разпознал с достатъчна сигурност (празен списък, ако не може да идентифицира нито един).
Предоставяне на контекст на модела
Записът от среща е пълен със собствени имена, акроними и вътрешни термини, които моделът няма причина да познава. gpt-transcribe приема три подсказки, които можете да комбинирате:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
prompt="Управленска среща относно проекта Corsen AI и договор AC-42.",
keywords=["Corsen AI", "AC-42", "GDPR"],
languages=["fr", "en"],
)
print(transcription.text)
promptописва контекста в едно изречение, на езика на записа. Това не е системна инструкция; това е подсказка, която насочва разпознаването.keywordsизброява термините за разпознаване. Въвеждайте по една ключова дума на елемент, без<,>или нови редове: API отхвърля цялата заявка, ако открие такива.languagesопределя очакваните езици, използвайки кодове ISO 639-1 (fr,en,es…). Той замества параметъраlanguageот по-старите модели: никога не изпращайте и двете едновременно.
Следене на транскрибирането в реално време
За дълги файлове няма нужда да чакате до края, за да покажете началото. С stream=True, API връща събития, докато обработката протича, без да изисква Realtime сесия:
with open("meeting.mp3", "rb") as audio_file:
stream = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
stream=True,
)
for event in stream:
if event.type == "transcript.text.delta":
print(event.delta, end="", flush=True)
elif event.type == "transcript.text.done":
print() # пълна транскрипция в event.text
Времеви маркери и субтитри: whisper-1, до 26 февруари 2027 г.
Ръководството на OpenAI посочва изрично: неговите примери за времеви маркери на ниво думи, субтитри и идентификация на говорещия разчитат на остарели модели. Ако се нуждаете от тези функции, whisper-1 остава наличен до 26 февруари 2027 г. и това е единственият модел, който приема verbose_json и timestamp_granularities:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file,
response_format="verbose_json",
timestamp_granularities=["segment"],
)
for segment in transcription.segments or []:
print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")
Сегментите са обекти на SDK: четете segment.start, а не segment["start"]. С timestamp_granularities=["word"], времевите маркери на ниво думи се появяват в transcription.words, на цената на леко по-висока латентност. Същият модел също произвежда готови за употреба субтитри: с response_format="srt" или "vtt", SDK връща директно текста на файла със субтитри.
Ръководството все още не определя заместител за тези функции. Ако вашият продукт зависи от времеви маркери или субтитри, планирайте решение преди 26 февруари 2027 г.
Дълги файлове
За файлове, по-големи от 25 MB, компресирайте аудиото или го разделете. Документацията препоръчва избягване на разрязвания по средата на изречение, което губи контекст, и предлага библиотеката pydub за разделяне (OpenAI не гарантира този софтуер на трета страна). Предаването на края на предишния фрагмент в prompt помага на модела да поддържа непрекъснатост, което е употреба на параметъра, цитирана в ръководството:
from pydub import AudioSegment
def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
"""Транскрибира дълъг запис на части от 10 минути."""
audio = AudioSegment.from_file(path)
texts: list[str] = []
for i, start in enumerate(range(0, len(audio), duration_ms)):
chunk = f"chunk_{i}.mp3"
audio[start:start + duration_ms].export(chunk, format="mp3")
options = {"prompt": texts[-1][-500:]} if texts else {} # непрекъснатост
with open(chunk, "rb") as f:
result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
texts.append(result.text)
return " ".join(texts)
Разделянето с фиксирана продължителност понякога прекъсва изречение наполовина: за по-прецизен резултат, разделяйте въз основа на тишина.
Ключови изводи
gpt-transcribeе препоръчителният модел за транскрибиране на файлове;whisper-1иgpt-4o-*-transcribeсе спират на 26 февруари 2027 г.prompt,keywordsиlanguages(вече неlanguage) насочват разпознаването на термини и езициstream=Trueвръща транскрипцията в реално време (transcript.text.delta), без Realtime сесия- Времеви маркери,
verbose_json, SRT и VTT съществуват само сwhisper-1до неговото спиране; четете сегментите като обекти (segment.start) - Максимум 25 MB на файл: компресирайте или разделете, за предпочитане на места с тишина