Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Podporované formáty a jazyky

Lekce 7 z 18 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Podporované formáty a jazyky
  2. Podporované zvukové formáty
  3. Podporované jazyky
  4. Zpracování vícejazyčného obsahu
  5. Ceny
  6. Klíčové poznatky

Aktualizace 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých: tts-1, tts-1-hd a gpt-4o-mini-tts budou vypnuty 6. ledna 2027 (uvedenou náhradou je gpt-realtime-2.1-mini, který podle průvodce OpenAI TTS není podporován endpointem /v1/audio/speech: migrace syntézy řeči přechází na Realtime API); gpt-realtime, gpt-4o-realtime a starší zvukové modely skončí 20. ledna 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe a /v1/audio/translations skončí 26. února 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Pro plně duplexní hlas je GPT-Live 1 dostupné v API od 10. září 2026. Lekce opravena 3. listopadu 2026: příklady aktualizovány z whisper-1 na gpt-transcribe (s použitím parametru languages), opraven počet jazyků pro Whisper (98, nikoli „přes 50“, dle průvodce File transcription), metoda dvou průchodů pro více jazyků nahrazena jazykovými nápovědami gpt-transcribe, ceny aktualizovány podle zdrojů. Zdroje: File transcription · GPT-Transcribe · Create transcription.

Podporované formáty a jazyky

Transkripční modely OpenAI přijímají širokou škálu zvukových formátů a podporují desítky jazyků. Výběr správného vstupního formátu a správné nastavení jazyka přímo ovlivňují kvalitu přepisu a náklady. Tato lekce podrobně popisuje dostupné možnosti a osvědčené postupy.

Podporované zvukové formáty

Podle reference API přijímá endpoint pro přepis formáty flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav a webm, za předpokladu, že název souboru obsahuje správnou příponu. Nejčastější z nich:

Formát Přípona Komprese Doporučené použití
MP3 .mp3 Ztrátová, dobrý poměr Podcasty, hlasové záznamy
MP4 / M4A .mp4, .m4a AAC ztrátová Videa, mobilní záznamy
WAV .wav Nekomprimovaný Studiové nahrávky
WebM .webm Opus ztrátový Nahrávky z prohlížeče
FLAC .flac Bezztrátový Maximální kvalita bez ztrát
OGG .ogg Vorbis/Opus Aplikace s otevřeným zdrojovým kódem

Maximální velikost souboru je 25 MB. Pro MP3 při 128 kbps to odpovídá přibližně 25 minutám zvuku. U nekomprimovaného WAV je to výrazně méně.

Optimalizace velikosti souboru

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Převede zvukový soubor na lehké MP3, dostatečné pro řeč."""
    audio = AudioSegment.from_file(input_path)

    # Převod na mono 16 kHz (dostatečné pro řeč)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Export jako 64kbps MP3 (dobrý kompromis kvalita/velikost pro hlas)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Podporované jazyky

whisper-1 pokrývá 98 jazyků, přičemž přesnost se u jednotlivých jazyků liší. gpt-transcribe detekuje jazyk automaticky; pokud víš, které jazyky očekáváš, specifikuj je v parametru languages: kódy ISO 639-1 (fr, en, es…), některé kódy ISO 639-3 (eng, spa, yue, cmn) a regionální varianty čínštiny (zh-cn, zh-tw, zh-hk). Nepodporovaný nebo chybný kód způsobí selhání požadavku.

# Automatická detekce (výchozí)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # jazyky rozpoznány s dostatečnou důvěrou

# Očekávané jazyky
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

languages je seznam specifický pro gpt-transcribe; starší modely přijímají jediný jazyk v parametru language. Nikdy neposílej obojí současně.

Běžné evropské jazyky

Nejpoužívanější kódy ISO 639-1 v Evropě:

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",
}

Zpracování vícejazyčného obsahu

Mezinárodní schůzka přepíná mezi jazyky. gpt-transcribe je navržen právě pro tento případ: jeho karta modelu uvádí podporu pro více jazykových nápovědí, vícejazyčné audio a přepínání kódů (code-switching) v rámci jedné věty. Všechny očekávané jazyky poskytni v jediném průchodu:

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)

Stará metoda dvou průchodů, která detekovala dominantní jazyk pomocí whisper-1 v režimu verbose_json a následně znovu přepsala vynucením tohoto jazyka, již není nutná: vynucovala jediný jazyk na celou nahrávku a whisper-1 bude vypnuto 26. února 2027.

Ceny

Transkripce je účtována podle délky zpracovaného zvuku: 0,0045 USD za minutu s gpt-transcribe, podle jeho karty modelu (listopad 2026). Formát souboru tedy nemá na cenu vliv: záleží pouze na délce.

Pro snížení nákladů u velkých objemů:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Odstraní ticho pro snížení účtované délky."""
    audio = AudioSegment.from_file(file_path)

    # Odstranění ticha delšího než 1 sekunda
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Ponechat 200 ms ticha pro čitelnost
    )

    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

Klíčové poznatky

  • Endpoint pro přepis přijímá FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV a WebM s limitem 25 MB na soubor
  • U gpt-transcribe seznam languages specifikuje očekávané jazyky; odpověď vrací rozpoznané jazyky
  • Mono 16 kHz MP3 při 64 kbps nabízí nejlepší kompromis mezi kvalitou a velikostí pro hlas
  • Fakturace je za minutu zvuku: odstranění ticha snižuje náklady
  • Pro vícejazyčný obsah nahrazuje jediný průchod se všemi očekávanými jazyky v languages starou metodu dvou průchodů