Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Přepis zvukového souboru: gpt-transcribe a Whisper

Lekce 6 z 18 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Přepis nahrávky
  2. Který model zvolit v listopadu 2026
  3. První přepis
  4. Poskytnutí kontextu modelu
  5. Sledování přepisu v reálném čase
  6. Časové značky a titulky: whisper-1 až do 26. února 2027
  7. Dlouhé soubory
  8. Klíčové poznatky

Lekce přepracována 3. listopadu 2026. Tato příručka dříve pokrývala model whisper-1, který je zastaralý a bude ukončen 26. února 2027. Průvodce OpenAI File transcription nyní doporučuje gpt-transcribe. Model gpt-transcribe však neposkytuje časové značky, titulky ve formátu SRT či VTT ani odpověď ve formátu verbose_json. Pro tyto specifické potřeby zůstává whisper-1 jedinou volbou až do svého ukončení. Kód dříve přistupoval k segmentům jako ke slovníkům (segment["start"]), což u Python SDK vyvolává TypeError; nyní jsou to objekty (segment.start). Každé volání bylo ověřeno s SDK openai verze 3.42.1. Zdroje: File transcription · Create transcription · GPT-Transcribe · Deprecations.

Přepis nahrávky

Přepis souboru řeší nejběžnější případ použití: máš hotovou nahrávku (schůzku, podcast, hlasovou zprávu) a potřebuješ získat její textový přepis. Soubor odešleš na koncový bod /v1/audio/transcriptions a obdržíš přepis. U zvuku, který teprve přichází, například z mikrofonu nebo telefonního hovoru, je správným přístupem živý přepis prostřednictvím Realtime API, kterým se budeme zabývat později v tomto kurzu.

Soubor musí mít velikost nejvýše 25 MB a být v jednom z následujících formátů: mp3, mp4, mpeg, mpga, m4a, wav nebo webm.

Který model zvolit v listopadu 2026

ModelStavKlíčové body
gpt-transcribeDoporučenoKontext (prompt), klíčová slova (keywords), očekávané jazyky (languages), streamovaný přepis; 0,0045 $ za minutu
whisper-1Zastaralý, ukončení 26. února 2027Jediný model poskytující časové značky, verbose_json, formáty SRT a VTT a překlad do angličtiny
gpt-4o-transcribe, gpt-4o-mini-transcribeZastaralý, ukončení 26. února 2027Nahrazeno modelem gpt-transcribe
gpt-4o-transcribe-diarizeZastaralý, ukončení 26. února 2027Identifikace mluvčího (diarized_json)

První přepis

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)

Ve výchozím nastavení je odpovědí objekt JSON: transcription.text obsahuje text a transcription.languages uvádí jazyky, které model rozpoznal s dostatečnou jistotou (prázdný seznam, pokud se mu nepodařilo žádný identifikovat).

Poskytnutí kontextu modelu

Nahrávka ze schůzky je plná vlastních jmen, zkratek a interních termínů, které model nemá důvod znát. gpt-transcribe přijímá tři nápovědy, které můžeš kombinovat:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Management meeting about the Corsen AI project and contract AC-42.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["fr", "en"],
    )

print(transcription.text)
  • prompt popisuje kontext v jedné větě v jazyce nahrávky. Nejedná se o systémovou instrukci, ale o nápovědu, která řídí rozpoznávání.
  • keywords je seznam termínů k rozpoznání. Zadej jedno klíčové slovo na položku, bez znaků <, > nebo zalomení řádků; API celou žádost zamítne, pokud některý z nich najde.
  • languages určuje očekávané jazyky pomocí kódů ISO 639-1 (fr, en, es…). Nahrazuje parametr language ze starších modelů: nikdy neposílej oba současně.

Sledování přepisu v reálném čase

U dlouhých souborů nemusíš čekat do konce, aby se zobrazil začátek. S parametrem stream=True API vrací události během zpracování, aniž by bylo nutné vytvářet relaci Realtime:

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()  # úplný přepis v event.text

Časové značky a titulky: whisper-1 až do 26. února 2027

Průvodce OpenAI explicitně uvádí, že jeho příklady pro časové značky na úrovni slov, titulky a identifikaci mluvčího spoléhají na zastaralé modely. Pokud tyto funkce potřebuješ, whisper-1 zůstává dostupný až do 26. února 2027 a je jediným modelem, který přijímá verbose_json a 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()}")

Segmenty jsou objekty SDK: čti segment.start, nikoliv segment["start"]. S nastavením timestamp_granularities=["word"] se časové značky na úrovni slov objeví v transcription.words, za cenu mírně vyšší latence. Stejný model také produkuje titulky připravené k použití: při nastavení response_format="srt" nebo "vtt" SDK vrátí přímo text souboru s titulky.

Průvodce zatím neurčuje náhradu za tyto funkce. Pokud tvůj produkt závisí na časových značkách nebo titulkách, naplánuj si řešení před 26. únorem 2027.

Dlouhé soubory

U souborů větších než 25 MB zvuk zkomprimuj nebo rozděl. Dokumentace doporučuje vyhýbat se řezům uprostřed věty, což způsobuje ztrátu kontextu, a navrhuje knihovnu pydub pro rozdělování (OpenAI nezaručuje funkčnost tohoto softwaru třetích stran). Předání konce předchozího úryvku v parametru prompt pomáhá modelu udržet kontinuitu, což je využití parametru citované v průvodci:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Transcribes a long recording in 10-minute chunks."""
    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 {}  # continuity
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

Rozdělování podle pevné délky někdy přeřízne větu napůl: pro uhlazený výsledek rozděluj raději podle ticha.

Klíčové poznatky

  • gpt-transcribe je doporučený model pro přepis souborů; whisper-1 a gpt-4o-*-transcribe budou ukončeny 26. února 2027
  • Parametry prompt, keywords a languages (již ne language) řídí rozpoznávání termínů a jazyků
  • stream=True vrací přepis za běhu (transcript.text.delta) bez nutnosti relace Realtime
  • Časové značky, verbose_json, SRT a VTT existují pouze u whisper-1 až do jeho ukončení; segmenty čti jako objekty (segment.start)
  • Maximálně 25 MB na soubor: zkomprimuj nebo rozděl, nejlépe na místech ticha