Přepis zvukového souboru: gpt-transcribe a Whisper
Na této stránce
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 doporučujegpt-transcribe. Modelgpt-transcribevšak neposkytuje časové značky, titulky ve formátu SRT či VTT ani odpověď ve formátuverbose_json. Pro tyto specifické potřeby zůstáváwhisper-1jedinou volbou až do svého ukončení. Kód dříve přistupoval k segmentům jako ke slovníkům (segment["start"]), což u Python SDK vyvoláváTypeError; nyní jsou to objekty (segment.start). Každé volání bylo ověřeno s SDKopenaiverze 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
| Model | Stav | Klíčové body |
|---|---|---|
gpt-transcribe | Doporučeno | Kontext (prompt), klíčová slova (keywords), očekávané jazyky (languages), streamovaný přepis; 0,0045 $ za minutu |
whisper-1 | Zastaralý, ukončení 26. února 2027 | Jediný model poskytující časové značky, verbose_json, formáty SRT a VTT a překlad do angličtiny |
gpt-4o-transcribe, gpt-4o-mini-transcribe | Zastaralý, ukončení 26. února 2027 | Nahrazeno modelem gpt-transcribe |
gpt-4o-transcribe-diarize | Zastaralý, ukončení 26. února 2027 | Identifikace 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)
promptpopisuje kontext v jedné větě v jazyce nahrávky. Nejedná se o systémovou instrukci, ale o nápovědu, která řídí rozpoznávání.keywordsje seznam termínů k rozpoznání. Zadej jedno klíčové slovo na položku, bez znaků<,>nebo zalomení řádků; API celou žádost zamítne, pokud některý z nich najde.languagesurčuje očekávané jazyky pomocí kódů ISO 639-1 (fr,en,es…). Nahrazuje parametrlanguageze 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-transcribeje doporučený model pro přepis souborů;whisper-1agpt-4o-*-transcribebudou ukončeny 26. února 2027- Parametry
prompt,keywordsalanguages(již nelanguage) řídí rozpoznávání termínů a jazyků stream=Truevrací přepis za běhu (transcript.text.delta) bez nutnosti relace Realtime- Časové značky,
verbose_json, SRT a VTT existují pouze uwhisper-1až do jeho ukončení; segmenty čti jako objekty (segment.start) - Maximálně 25 MB na soubor: zkomprimuj nebo rozděl, nejlépe na místech ticha