Podporované formáty a jazyky
Na této stránce
Aktualizace 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých:
tts-1,tts-1-hdagpt-4o-mini-ttsbudou vypnuty 6. ledna 2027 (uvedenou náhradou jegpt-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-realtimea starší zvukové modely skončí 20. ledna 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribea/v1/audio/translationsskončí 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 zwhisper-1nagpt-transcribe(s použitím parametrulanguages), opraven počet jazyků pro Whisper (98, nikoli „přes 50“, dle průvodce File transcription), metoda dvou průchodů pro více jazyků nahrazena jazykovými nápovědamigpt-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-transcribeseznamlanguagesspecifikuje 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
languagesstarou metodu dvou průchodů