Премини към основното съдържание
Български— Изберете език
Меню

Автоматичен превод

Урок 8 от 18 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Две нужди, два инструмента
  2. Превод на запис
  3. Устен превод на реч на живо
  4. Ключови изводи

Урокът е пренаписан на 3 ноември 2026 г. Преди това той разчиташе на крайната точка /v1/audio/translations и модела whisper-1, които са обявени за остарели и спрени на 26 февруари 2027 г., както и на преизползвана сесия на асистент в реално време, действащ като преводач. OpenAI вече предлага два пътя: за записи – транскрибиране на оригиналния език с gpt-transcribe, последвано от текстов превод; за реч на живо – специализирана сесия за превод с gpt-realtime-translate. Кодът е тестван със SDK openai версия 3.42.1 и библиотеката websocket-client. Източници: Транскрибиране на файлове · Превод в реално време · Обявени за остарели функции.

Две нужди, два инструмента

Преводът на аудио обхваща два много различни сценария и OpenAI ги обработва с различни инструменти:

НуждаИнструмент към ноември 2026 г.Резултат
Запис за превод (среща, подкаст, архивирано обаждане)gpt-transcribe за транскрибиране на оригиналния език, след което текстов модел за преводПреведен текст на целевия език
Реч на живо за устен превод (обаждане, конференция, урок)Сесия за превод в реално време с gpt-realtime-translateПреведено аудио и транскрипти, генерирани докато се говори
Стар метод: /v1/audio/translations с whisper-1Обявен за остарял, спрян на 26 февруари 2027 г.Само текст на английски

Ръководството на OpenAI подчертава един ключов момент: простата промяна на ID на модела в заявка към /v1/audio/translations не осъществява миграция. Старата крайна точка, която можеше да превежда само на английски, няма директен заместител.

Превод на запис

Този метод първо транскрибира вярно на говорения език, след което превежда текста. Той работи за всеки целеви език – за разлика от старата крайна точка, която произвеждаше само английски – и Ви предоставя и двата текста, което е полезно за проверка:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Транскрибира запис на оригиналния му език, след което превежда текста."""
    with open(path, "rb") as f:
        transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)

    response = client.responses.create(
        model="gpt-6-luna",
        instructions=(
            f"Преведете предоставения от потребителя текст на {target_language}. "
            "Запазете тона и стила. Отговорете само с превода."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])

Два избора заслужават обяснение. Инструкциите за превод отиват в instructions, докато транскрипцията пристига като обикновени данни в input: един запис може да съдържа всичко, включително фраза, която прилича на команда, и не трябва да има възможност да модифицира инструкцията. Моделът gpt-6-luna е този, който OpenAI препоръчва за мащабна обработка, чувствителна към разходите; за деликатни правни или технически текстове изберете по-мощен модел, като например gpt-6.1-sol.

Устен превод на реч на живо

За превод докато някой говори, OpenAI предлага специален вид сесия в реално време. Ръководството ясно я разграничава от сесия с гласов агент:

Сесия с гласов агентСесия за превод
Свързва се с /v1/realtimeСвързва се с /v1/realtime/translations
Моделът действа като асистентМоделът действа като преводач
Цикъл на разговор и отговор (response.create)Непрекъснат поток от входящо аудио, без response.create
Може да извиква инструментиПроизвежда преведено аудио и транскрипти

Транспортът зависи от това къде пристига аудиото. В браузър WebRTC изпраща входа от микрофона и получава преведения глас като аудио тракове; Вашият сървър създава краткотраен клиентски секрет за това чрез /v1/realtime/translations/client_secrets, така че Вашият API ключ никога да не напуска сървъра. От страна на сървъра, когато аудиото вече пристига сурово (телефонен поток, заснемане), е достатъчна WebSocket връзка:

import base64
import json
import os

import websocket  # pip install websocket-client

ws = websocket.WebSocket()
ws.connect(
    "wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
    header=[
        f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
        "OpenAI-Safety-Identifier: hashed-user-id",  # хеширан идентификатор на Вашия потребител
    ],
)

# Изходен език на преводача
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Добавя част от изходното аудио: 16-bit PCM, моно, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Докато изпращате аудиото, включително тишините, сесията връща събития за обработка в реално време: session.output_audio.delta носи преведеното аудио в base64, session.output_transcript.delta – преведения текст, а session.input_transcript.delta – транскрипцията на оригинала. Когато източникът спре, изпратете session.close: услугата завършва текущия превод, след което отговаря с session.closed.

translation: list[str] = []
while True:
    event = json.loads(ws.recv())
    if event["type"] == "session.output_transcript.delta":
        translation.append(event["delta"])
    elif event["type"] == "error":
        raise RuntimeError(f"Грешка при превода: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

Не пренебрегвайте събитието error: отхвърлен ключ не проваля самата връзка; то пристига малко след това като събитие error с код invalid_api_key (наблюдение от 3 ноември 2026 г.). В производствена среда приемането работи паралелно с изпращането, в отделна нишка или задача, а преведеното аудио отива към плейъра или телефонната линия веднага щом пристигне: официалното ръководство предоставя пълна версия, включително възпроизвеждане на аудио.

Ключови изводи

  • /v1/audio/translations и whisper-1 спират работа на 26 февруари 2027 г. без директен заместител: промяната на модела не е достатъчна
  • За запис: gpt-transcribe на оригиналния език, след което текстов превод от текстов модел, на всеки език
  • Запазете инструкцията за превод в instructions, а транскрипцията като обикновени данни
  • За реч на живо: сесия за превод (/v1/realtime/translations, gpt-realtime-translate), която действа като преводач, без response.create
  • WebRTC в браузъра с клиентски секрет, създаден от сървъра; WebSocket от страна на сървъра с 16-bit PCM аудио при 24 kHz