Премини към основното съдържание
Български— Изберете език
Меню

Транскрибиране на аудиофайл: gpt-transcribe и Whisper

Урок 6 от 18 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Транскрибиране на запис
  2. Кой модел през ноември 2026 г.
  3. Първо транскрибиране
  4. Предоставяне на контекст на модела
  5. Следене на транскрибирането в реално време
  6. Времеви маркери и субтитри: whisper-1, до 26 февруари 2027 г.
  7. Дълги файлове
  8. Ключови изводи

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 препоръчва gpt-transcribe. Въпреки това, gpt-transcribe не предоставя времеви маркери, субтитри във формат SRT или VTT, нито отговор във формат verbose_json. За тези специфични нужди whisper-1 остава единственият вариант до неговото спиране. Кодът преди това достъпваше сегментите като речници (segment["start"]), което предизвиква TypeError с Python SDK; те са обекти (segment.start). Всяко извикване е проверено със openai SDK 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.

МоделСтатусКлючови точки
gpt-transcribeПрепоръчителенКонтекст (prompt), ключови думи (keywords), очаквани езици (languages), потоково транскрибиране; $0.0045 на минута
whisper-1Остарял, 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-transcribeОстарял, спиране на 26 февруари 2027 г.Заменен от gpt-transcribe
gpt-4o-transcribe-diarizeОстарял, 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)
  • prompt описва контекста в едно изречение, на езика на записа. Това не е системна инструкция; това е подсказка, която насочва разпознаването.
  • keywords изброява термините за разпознаване. Въвеждайте по една ключова дума на елемент, без <, > или нови редове: API отхвърля цялата заявка, ако открие такива.
  • languages определя очакваните езици, използвайки кодове ISO 639-1 (fr, en, es…). Той замества параметъра language от 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-transcribe е препоръчителният модел за транскрибиране на файлове; whisper-1 и gpt-4o-*-transcribe се спират на 26 февруари 2027 г.
  • prompt, keywords и languages (вече не language) насочват разпознаването на термини и езици
  • stream=True връща транскрипцията в реално време (transcript.text.delta), без Realtime сесия
  • Времеви маркери, verbose_json, SRT и VTT съществуват само с whisper-1 до неговото спиране; четете сегментите като обекти (segment.start)
  • Максимум 25 MB на файл: компресирайте или разделете, за предпочитане на места с тишина