Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Automatický překlad

Lekce 8 z 18 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Dvě potřeby, dva nástroje
  2. Překlad nahrávky
  3. Tlumočení živé řeči
  4. Klíčové poznatky

Lekce přepsána 3. listopadu 2026. Dříve spoléhala na koncový bod /v1/audio/translations a model whisper-1, které jsou oba zastaralé a ukončené k 26. únoru 2027, stejně jako na účelově upravenou relaci asistenta Realtime fungujícího jako tlumočník. OpenAI nyní nabízí dvě cesty: pro nahrávky přepis v původním jazyce pomocí gpt-transcribe následovaný textovým překladem; pro živou řeč vyhrazenou překladovou relaci s gpt-realtime-translate. Kód byl ověřen se SDK openai 3.42.1 a knihovnou websocket-client. Zdroje: Přepis souborů · Překlad v reálném čase · Zastaralé funkce.

Dvě potřeby, dva nástroje

Překlad zvuku pokrývá dva velmi odlišné scénáře a OpenAI je řeší různými nástroji:

PotřebaNástroj od listopadu 2026Výsledek
Nahrávka k překladu (schůzka, podcast, archivovaný hovor)gpt-transcribe pro přepis v původním jazyce, poté textový model pro překladPřeložený text ve vašem cílovém jazyce
Živá řeč k tlumočení (hovor, konference, výuka)Překladová relace s gpt-realtime-translatePřeložené audio a přepisy generované v průběhu řeči
Zastaralá cesta: /v1/audio/translations s whisper-1Zastaralé, ukončené 26. února 2027Pouze anglický text

Průvodce OpenAI zdůrazňuje jednu věc: pouhá změna ID modelu v požadavku na /v1/audio/translations nic nemigruje. Starý koncový bod, který uměl překládat pouze do angličtiny, nemá přímou náhradu.

Překlad nahrávky

Tato metoda nejprve věrně přepíše řeč v mluveném jazyce a poté přeloží text. Funguje pro jakýkoli cílový jazyk – na rozdíl od starého koncového bodu, který produkoval pouze angličtinu – a poskytne vám oba texty, což je užitečné pro ověření:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Přepíše nahrávku v jejím původním jazyce a poté přeloží text."""
    with open(path, "rb") as f:
        transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)

    response = client.responses.create(
        model="gpt-6-luna",
        instructions=(
            f"Přelož text poskytnutý uživatelem do {target_language}. "
            "Zachovej tón a styl. Odpověz pouze překladem."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])

Dvě volby si zaslouží vysvětlení. Pokyn pro překlad jde do instructions, zatímco přepis přichází jako prostá data v input: nahrávka může obsahovat cokoliv, včetně fráze, která vypadá jako příkaz, a nesmí mít možnost upravit instrukci. Model gpt-6-luna je ten, který OpenAI doporučuje pro zpracování ve velkém měřítku citlivé na náklady; pro choulostivé právní nebo technické texty zvolte schopnější model, jako je gpt-6.1-sol.

Tlumočení živé řeči

Pro překlad v okamžiku, kdy někdo mluví, nabízí OpenAI speciální druh relace Realtime. Průvodce ji jasně odlišuje od relace hlasového agenta:

Relace hlasového agentaPřekladová relace
Připojuje se k /v1/realtimePřipojuje se k /v1/realtime/translations
Model funguje jako asistentModel funguje jako tlumočník
Cyklus konverzace a odpovědi (response.create)Nepřetržitý proud z příchozího audia, žádné response.create
Může volat nástrojeProdukuje přeložené audio a přepisy

Transport závisí na tom, kam audio přichází. V prohlížeči WebRTC odesílá vstup z mikrofonu a přijímá přeložený hlas jako zvukové stopy; váš server pro to vytvoří krátkodobý klientský tajný klíč přes /v1/realtime/translations/client_secrets, takže váš API klíč nikdy neopustí server. Na straně serveru, když audio již přichází jako surová data (telefonní stream, záznam), stačí připojení WebSocket:

import base64
import json
import os

import websocket  # pip install websocket-client

ws = websocket.WebSocket()
ws.connect(
    "wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
    header=[
        f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
        "OpenAI-Safety-Identifier: hashed-user-id",  # hashovaný identifikátor vašeho uživatele
    ],
)

# Výstupní jazyk tlumočníka
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Přidá část zdrojového audia: 16bit PCM, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Zatímco odesíláte audio, včetně ticha, relace vrací události ke zpracování za běhu: session.output_audio.delta nese přeložené audio v base64, session.output_transcript.delta přeložený text a session.input_transcript.delta přepis originálu. Když zdroj přestane, odešlete session.close: služba dokončí aktuální překlad a poté odpoví session.closed.

translation: list[str] = []
while True:
    event = json.loads(ws.recv())
    if event["type"] == "session.output_transcript.delta":
        translation.append(event["delta"])
    elif event["type"] == "error":
        raise RuntimeError(f"Chyba překladu: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

Nezanedbávejte událost error: odmítnutý klíč selže samo připojení; přijde těsně poté jako událost error s kódem invalid_api_key (pozorováno 3. listopadu 2026). V produkci běží příjem paralelně s odesíláním, v samostatném vlákně nebo úloze, a přeložené audio jde do přehrávače nebo telefonní linky, jak přichází: oficiální průvodce poskytuje kompletní verzi, včetně přehrávání audia.

Klíčové poznatky

  • /v1/audio/translations a whisper-1 budou ukončeny 26. února 2027 bez přímé náhrady: změna modelu nestačí
  • Pro nahrávku: gpt-transcribe v původním jazyce, poté textový překlad textovým modelem do libovolného jazyka
  • Udržujte pokyn pro překlad v instructions a přepis jako prostá data
  • Pro živou řeč: překladová relace (/v1/realtime/translations, gpt-realtime-translate), která funguje jako tlumočník, bez response.create
  • WebRTC v prohlížeči s klientským tajným klíčem vytvořeným serverem; WebSocket na straně serveru s 16bit PCM audiem při 24 kHz