Поддържани формати и езици
На тази страница
Актуализация от 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са обявени за остарели:
tts-1,tts-1-hdиgpt-4o-mini-ttsще бъдат спрени на 6 януари 2027 г. (посочената замяна еgpt-realtime-2.1-mini, която според ръководството на OpenAI за TTS не се поддържа от/v1/audio/speech: миграцията на синтез на реч преминава към Realtime API);gpt-realtime,gpt-4o-realtimeи наследените аудио модели на 20 януари 2027 г. (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeи/v1/audio/translationsна 26 февруари 2027 г. (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). За дуплексна гласова връзка, GPT-Live 1 е достъпен в API от 10 септември 2026 г. Урокът е коригиран на 3 ноември 2026 г.: примерите са актуализирани отwhisper-1къмgpt-transcribe(използвайки параметъраlanguages), броят на езиците за Whisper е коригиран (98, а не „над 50“, според ръководството File transcription), методът с два прохода за многоезично съдържание е заменен с езикови подсказки наgpt-transcribe, добавено е ценообразуване. Източници: File transcription · GPT-Transcribe · Create transcription.
Поддържани формати и езици
Моделите за транскрипция на OpenAI приемат широк спектър от аудио формати и поддържат десетки езици. Изборът на подходящ входен формат и правилната конфигурация на езика директно влияят върху качеството на транскрипцията и разходите. Този урок описва наличните опции и най-добрите практики.
Поддържани аудио формати
Според справочника на API, крайната точка за транскрипция приема формати flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav и webm, при условие че името на файла включва правилното разширение. Най-често използваните са:
| Формат | Разширение | Компресия | Препоръчителна употреба |
|---|---|---|---|
| MP3 | .mp3 | Със загуби, добро съотношение | Подкасти, гласови записи |
| MP4 / M4A | .mp4, .m4a | AAC със загуби | Видеоклипове, мобилни записи |
| WAV | .wav | Некомпресиран | Студийни записи |
| WebM | .webm | Opus със загуби | Записи от браузър |
| FLAC | .flac | Без загуби | Максимално качество без загуба |
| OGG | .ogg | Vorbis/Opus | Приложения с отворен код |
Максималният размер на файла е 25 MB. За MP3 при 128 kbps това се равнява на приблизително 25 минути аудио. За некомпресиран WAV времето е значително по-малко.
Оптимизиране на размера на файла
from pydub import AudioSegment
def optimize_for_transcription(input_path: str, output_path: str):
"""Конвертира аудио файл в лек MP3, достатъчен за реч."""
audio = AudioSegment.from_file(input_path)
# Конвертиране в моно 16kHz (достатъчно за реч)
audio = audio.set_channels(1)
audio = audio.set_frame_rate(16000)
# Експортиране като 64kbps MP3 (добър компромис качество/размер за глас)
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Поддържани езици
whisper-1 обхваща 98 езика, като точността варира в зависимост от езика. gpt-transcribe открива езика автоматично; ако знаете кои езици да очаквате, посочете ги в languages: кодове ISO 639-1 (fr, en, es…), някои кодове ISO 639-3 (eng, spa, yue, cmn) и регионални варианти на китайски (zh-cn, zh-tw, zh-hk). Неподдържан или неправилен код ще доведе до неуспех на заявката.
# Автоматично откриване (по подразбиране)
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(result.languages) # езици, разпознати с достатъчна увереност
# Очаквани езици
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
languages е списък, специфичен за gpt-transcribe; по-старите модели приемат единичен език в language. Никога не изпращайте и двете едновременно.
Често срещани европейски езици
Най-често използваните кодове ISO 639-1 в Европа:
EUROPEAN_LANGUAGES = {
"fr": "French",
"en": "English",
"de": "German",
"es": "Spanish",
"it": "Italian",
"pt": "Portuguese",
"nl": "Dutch",
"pl": "Polish",
"ro": "Romanian",
"sv": "Swedish",
"da": "Danish",
"fi": "Finnish",
"el": "Greek",
"cs": "Czech",
"hu": "Hungarian",
"bg": "Bulgarian",
"hr": "Croatian",
"sk": "Slovak",
"sl": "Slovenian",
"et": "Estonian",
"lv": "Latvian",
"lt": "Lithuanian",
}
Обработка на многоезично съдържание
Международна среща, при която се превключва между езици. gpt-transcribe е проектиран точно за този случай: картата на модела цитира поддръжка за множество езикови подсказки, многоезично аудио и превключване на кода (code-switching) в рамките на едно изречение. Посочете всички очаквани езици в един проход:
with open("international-meeting.mp3", "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=["fr", "en", "de"],
)
print(result.text)
print("Recognized languages:", result.languages)
Старият метод с два прохода, който откриваше доминиращия език с whisper-1 в режим verbose_json и след това пре-транскрибираше, принуждавайки този език, вече не е необходим: той налагаше един единствен език върху целия запис, а whisper-1 ще бъде спрян на 26 февруари 2027 г.
Ценообразуване
Транскрипцията се таксува въз основа на продължителността на обработеното аудио: $0.0045 на минута с gpt-transcribe, според картата на модела (ноември 2026 г.). Следователно форматът на файла не влияе върху цената: важна е само продължителността.
За намаляване на разходите при големи обеми:
from pydub import AudioSegment
from pydub.silence import split_on_silence
def preprocess_for_cost(file_path: str) -> str:
"""Премахва тишината, за да намали таксуваната продължителност."""
audio = AudioSegment.from_file(file_path)
# Премахване на тишини, по-дълги от 1 секунда
chunks = split_on_silence(
audio,
min_silence_len=1000,
silence_thresh=-40,
keep_silence=200 # Запазване на 200ms тишина за четимост
)
if not chunks:
return file_path
combined = chunks[0]
for chunk in chunks[1:]:
combined += chunk
output_path = "/tmp/optimized_audio.mp3"
combined.export(output_path, format="mp3", bitrate="64k")
return output_path
Ключови изводи
- Крайната точка за транскрипция приема FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV и WebM, с лимит от 25 MB на файл
- При
gpt-transcribe, списъкътlanguagesпосочва очакваните езици; отговорът връща разпознатите езици - Моно 16 kHz MP3 при 64 kbps предлага най-добрия компромис качество/размер за глас
- Таксуването е на минута аудио: премахването на тишината намалява разходите
- За многоезично съдържание, един проход с всички очаквани езици в
languagesзамества стария метод с два прохода