Премини към основното съдържание
Български— Изберете език
Меню

Поддържани формати и езици

Урок 7 от 18 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Поддържани формати и езици
  2. Поддържани аудио формати
  3. Поддържани езици
  4. Обработка на многоезично съдържание
  5. Ценообразуване
  6. Ключови изводи

Актуализация от 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са обявени за остарели: tts-1, tts-1-hd и gpt-4o-mini-tts ще бъдат спрени на 6 януари 2027 г. (посочената замяна е gpt-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-realtime и 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-transcribe и /v1/audio/translations на 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 от whisper-1 към gpt-transcribe (използвайки параметъра languages), 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 на gpt-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, списъкът languages посочва 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 languages замества стария метод с два прохода