Премини към основното съдържание
Български— Изберете език
Меню

Оптимизиране на качеството на транскрипцията

Урок 9 от 18 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Оптимизиране на качеството на транскрипцията
  2. Параметърът prompt
  3. Параметърът temperature
  4. Предварителна обработка на аудиото
  5. Пост-обработка на транскрипцията
  6. Пълен конвейер за транскрипция
  7. Ключови изводи

Актуализация от 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са депрецирали: tts-1, tts-1-hd и gpt-4o-mini-tts ще спрат да работят 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 глас 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 наличен в API от 10 септември 2026 г. Урокът е актуализиран на 3 ноември 2026 г.: примерите са прехвърлени към gpt-transcribe (prompt, keywords, languages), моделът, препоръчан от OpenAI; температурата 0 не е изборът „винаги най-вероятен“: според справочника на API, моделът тогава сам коригира температурата на стъпки. Източници: Транскрипция на файл · Създаване на транскрипция.

Оптимизиране на качеството на транскрипцията

Whisper генерира отлични транскрипции по подразбиране, но няколко техники могат значително да подобрят качеството, особено в трудни случаи: фонов шум, регионални акценти, техническа терминология и собствени имена. Този урок обхваща разширени параметри и стратегии за пост-обработка.

Параметърът prompt

Контекстът е основният Ви лост за подобряване на качеството. При gpt-transcribe, модела, препоръчан от OpenAI, контекстът се предава чрез три параметъра: prompt (контекстуално изречение на езика на аудиото), keywords (термини за разпознаване) и languages (очаквани езици).

# Без контекст има риск продуктови имена да бъдат грешно транскрибирани
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

# С контекст и ключови думи
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
    prompt="Техническа среща на Corsen AI относно гласови агенти.",
    keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)

Най-добри практики за prompt

  • Избройте собствените имена: хора, компании, продукти
  • Включете технически жаргон: акроними, специфични за областта термини
  • Посочете очаквания стил: пунктуация, главни/малки букви
  • При whisper-1, всичко минава през единствения prompt, ограничен до 224 токена: ръководството уточнява, че Whisper не следва инструкции като текстов модел, оттук и ползата просто да изброите правилните правописи там
  • При gpt-transcribe, поставете термините в keywords, по един на запис, без <, > или нови редове, в противен случай API ще отхвърли заявката
def build_transcription_prompt(context: dict) -> str:
    """Изгражда контекстуален prompt за транскрипция."""
    parts = []

    if context.get("speakers"):
        parts.append(", ".join(context["speakers"]))

    if context.get("technical_terms"):
        parts.append(", ".join(context["technical_terms"]))

    if context.get("topic"):
        parts.append(context["topic"])

    return ". ".join(parts)

prompt = build_transcription_prompt({
    "speakers": ["Mordehai Attia", "Yoram Halberstam"],
    "technical_terms": ["Realtime API", "WebSocket", "VAD", "PCM16"],
    "topic": "Техническа среща относно гласови агенти"
})

Параметърът temperature

Крайната точка приема temperature между 0 и 1, като стойността по подразбиране е 0. Вопреки често срещаното погрешно схващане, стойността 0 не означава „винаги най-вероятната дума“: според справочника на API, моделът тогава разчита на вероятностите за своите токени, за да повиши сам температурата на стъпки, до определени прагове.

На практика оставете стойността по подразбиране. Документацията за gpt-transcribe набляга на контекста (prompt, keywords, languages), а не на температурата; при whisper-1, малко по-висока температура (например 0.2) може да се тества при влошено аудио за всеки конкретен случай.

Предварителна обработка на аудиото

Качеството на входното аудио е най-решаващият фактор. Инвестирайте в предварителна обработка:

from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range

def preprocess_audio(input_path: str, output_path: str) -> str:
    """Предварително обработва аудиото за оптимална транскрипция."""
    audio = AudioSegment.from_file(input_path)

    # 1. Конвертиране в моно (стереото не добавя нищо за глас)
    audio = audio.set_channels(1)

    # 2. Ресемплиране до 16 kHz (достатъчно за Whisper)
    audio = audio.set_frame_rate(16000)

    # 3. Нормализиране на силата на звука
    audio = normalize(audio)

    # 4. Компресиране на динамичния обхват (намалява разликата между силно/тихо)
    audio = compress_dynamic_range(audio)

    # 5. Експортиране като MP3 с 64 kbps
    audio.export(output_path, format="mp3", bitrate="64k")
    return output_path

Намаляване на шума

За шумни записи, предварителната обработка с noisereduce значително подобрява резултатите:

import noisereduce as nr
import soundfile as sf
import numpy as np

def reduce_noise(input_path: str, output_path: str) -> str:
    """Намаля фоновия шум преди транскрипцията."""
    data, rate = sf.read(input_path)

    # Адаптивно намаляване на шума
    reduced = nr.reduce_noise(
        y=data,
        sr=rate,
        prop_decrease=0.8,  # 80% намаляване на шума
        stationary=False     # Нестационарен шум (напр. кафе)
    )

    sf.write(output_path, reduced, rate)
    return output_path

Пост-обработка на транскрипцията

Дори при добра предварителна обработка, суровата транскрипция може да изисква корекции. Използвайте GPT за пост-обработка:

async def post_process_transcription(raw_text: str, context: str) -> str:
    """Коригира и форматира транскрипция от Whisper."""
    response = client.responses.create(
        model="gpt-5.6-luna",
        input=[
            {"role": "system", "content": (
                "Вие сте коректор на транскрипции. "
                "Поправете очевидните грешки на Whisper, без да променяте смисъла. "
                "Добавете липсващата пунктуация. "
                "Поправете главните/малките букви за собствени имена и акроними. "
                "Не обобщавайте и не преформулирайте."
            )},
            {"role": "user", "content": (
                f"Контекст: {context}\n\n"
                f"Сурова транскрипция:\n{raw_text}"
            )}
        ]
    )

    return response.output_text

Пълен конвейер за транскрипция

Сглобете всички стъпки в надежден конвейер:

async def transcribe_high_quality(
    file_path: str,
    language: str = "fr",
    speakers: list[str] = None,
    technical_terms: list[str] = None
) -> dict:
    """Пълен конвейер за висококачествена транскрипция."""
    # 1. Предварителна обработка
    processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")

    # 2. Изграждане на контекст: само попълнени параметри
    options = {}
    terms = (speakers or []) + (technical_terms or [])
    if terms:
        options["keywords"] = terms

    # 3. Транскрибиране
    with open(processed_path, "rb") as f:
        result = client.audio.transcriptions.create(
            model="gpt-transcribe",
            file=f,
            languages=[language],
            **options,
        )

    # 4. Пост-обработка
    context = f"Език: {language}, Говорещи: {speakers}"
    corrected = await post_process_transcription(result.text, context)

    return {
        "raw_text": result.text,
        "corrected_text": corrected,
        "languages": result.languages,
    }

Ключови изводи

  • Контекстът е най-ефективният лост: prompt, keywords и languages при gpt-transcribe; единственият prompt, ограничен до 224 токена, при whisper-1
  • temperature по подразбиране е 0, и при 0 моделът сам коригира температурата, ако е необходимо: оставете стойността по подразбиране
  • Предварителната обработка на аудиото (моно, 16 kHz, нормализиране, премахване на шум) подобрява качеството повече от всеки параметър на API
  • Пост-обработката с GPT коригира пунктуацията, главните/малките букви и остатъчните грешки
  • Един пълен конвейер комбинира предварителна обработка, контекстуално подсказване и пост-обработка за максимално качество