Optimalizace kvality přepisu
Na této stránce
Aktualizace 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých:
tts-1,tts-1-hdagpt-4o-mini-ttspřestanou fungovat 6. ledna 2027 (uvedenou náhradou jegpt-realtime-2.1-mini, který podle průvodce OpenAI TTS není podporován endpointem/v1/audio/speech: migrace syntézy hlasu přechází na Realtime API);gpt-realtime,gpt-4o-realtimea starší zvukové modely 20. ledna 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribea/v1/audio/translations26. února 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Pro full-duplexový hlas je GPT-Live 1 dostupné v API od 10. září 2026. Lekce aktualizována 3. listopadu 2026: příklady převedeny nagpt-transcribe(prompt,keywords,languages), což je model doporučovaný společností OpenAI; teplota 0 není volbou „vždy nejpravděpodobnější“: podle reference API si model v tomto případě upravuje teplotu sám po krocích. Zdroje: Přepis souboru · Vytvořit přepis.
Optimalizace kvality přepisu
Whisper ve výchozím nastavení vytváří vynikající přepisy, ale několik technik může kvalitu výrazně zlepšit, zejména v obtížných případech: hluk v pozadí, regionální přízvuky, technická slovní zásoba a vlastní jména. Tato lekce pokrývá pokročilé parametry a strategie post-processing.
Parametr prompt
Kontext je tvým hlavním nástrojem pro zlepšení kvality. U modelu gpt-transcribe, který OpenAI doporučuje, prochází kontext třemi parametry: prompt (kontextová věta v jazyce audia), keywords (termíny k rozpoznání) a languages (očekávané jazyky).
# Bez kontextu hrozí chybný přepis názvů produktů
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
# S kontextem a klíčovými slovy
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
prompt="Technická schůzka Corsen AI o hlasových agentech.",
keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)
Osvědčené postupy pro prompt
- Vypiš vlastní jména: lidé, firmy, produkty
- Zahrň technický žargon: zkratky, oborové termíny
- Upřesni očekávaný styl: interpunkce, velikost písmen
- U
whisper-1vše prochází jediným parametremprompt, omezeným na 224 tokenů: průvodce uvádí, že Whisper nefunguje jako textový model a neposlouchá instrukce, proto je zde výhodné pouze vypsat správné pravopisné tvary - U
gpt-transcribevlož termíny dokeywords, každý jako samostatná položka, bez znaků<,>nebo zalomení řádků, jinak API žádost odmítne
def build_transcription_prompt(context: dict) -> str:
"""Vytvoří kontextový prompt pro přepis."""
parts = []
if context.get("speakers"):
parts.append(", ".join(context["speakers"]))
if context.get("technical_terms"):
parts.append(", ".join(context["technical_terms"]))
if context.get("topic"):
parts.append(context["topic"])
return ". ".join(parts)
prompt = build_transcription_prompt({
"speakers": ["Mordehai Attia", "Yoram Halberstam"],
"technical_terms": ["Realtime API", "WebSocket", "VAD", "PCM16"],
"topic": "Technická schůzka o hlasových agentech"
})
Parametr temperature
Endpoint přijímá temperature mezi 0 a 1, přičemž výchozí hodnota je 0. Na rozdíl od častého omylu hodnota 0 neznamená „vždy nejpravděpodobnější slovo“: podle reference API se model v tomto případě spoléhá na pravděpodobnosti svých tokenů a sám si teplotu po krocích zvyšuje až do určitých prahů.
V praxi nech výchozí hodnotu. Dokumentace pro gpt-transcribe klade důraz na kontext (prompt, keywords, languages), nikoliv na teplotu; u whisper-1 lze u degradovaného audia případ od případu testovat mírně vyšší teplotu (například 0,2).
Předzpracování audia
Kvalita vstupního audia je nejdůležitějším faktorem. Investuj do předzpracování:
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
def preprocess_audio(input_path: str, output_path: str) -> str:
"""Předzpracuje audio pro optimální přepis."""
audio = AudioSegment.from_file(input_path)
# 1. Převod na mono (stereo u hlasu nic nepřidá)
audio = audio.set_channels(1)
# 2. Převzorkování na 16 kHz (pro Whisper dostačující)
audio = audio.set_frame_rate(16000)
# 3. Normalizace hlasitosti
audio = normalize(audio)
# 4. Komprese dynamického rozsahu (snižuje rozdíl mezi hlasitým a tichým)
audio = compress_dynamic_range(audio)
# 5. Export jako MP3 64 kbps
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Redukce šumu
U hlučných nahrávek výrazně zlepšuje výsledky předzpracování pomocí noisereduce:
import noisereduce as nr
import soundfile as sf
import numpy as np
def reduce_noise(input_path: str, output_path: str) -> str:
"""Sníží hluk v pozadí před přepisem."""
data, rate = sf.read(input_path)
# Adaptivní redukce šumu
reduced = nr.reduce_noise(
y=data,
sr=rate,
prop_decrease=0.8, # 80% redukce šumu
stationary=False # Nestacionární šum (např. kavárna)
)
sf.write(output_path, reduced, rate)
return output_path
Post-processing přepisu
I při dobrém předzpracování může surový přepis vyžadovat úpravy. Pro post-processing využij GPT:
async def post_process_transcription(raw_text: str, context: str) -> str:
"""Opraví a naformátuje přepis z Whisperu."""
response = client.responses.create(
model="gpt-5.6-luna",
input=[
{"role": "system", "content": (
"Jsi korektor přepisů. "
"Oprav zřejmé chyby Whisperu, aniž bys změnil význam. "
"Doplň chybějící interpunkci. "
"Oprav velikost písmen u vlastních jmen a zkratek. "
"Neshrnuj ani nepřepisuj."
)},
{"role": "user", "content": (
f"Kontext: {context}\n\n"
f"Surový přepis:\n{raw_text}"
)}
]
)
return response.output_text
Kompletní pipeline přepisu
Spoj všechny kroky do robustního pipeline:
async def transcribe_high_quality(
file_path: str,
language: str = "fr",
speakers: list[str] = None,
technical_terms: list[str] = None
) -> dict:
"""Kompletní pipeline pro vysoce kvalitní přepis."""
# 1. Předzpracování
processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")
# 2. Vytvoření kontextu: pouze vyplněné parametry
options = {}
terms = (speakers or []) + (technical_terms or [])
if terms:
options["keywords"] = terms
# 3. Přepis
with open(processed_path, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=[language],
**options,
)
# 4. Post-processing
context = f"Jazyk: {language}, Řečníci: {speakers}"
corrected = await post_process_transcription(result.text, context)
return {
"raw_text": result.text,
"corrected_text": corrected,
"languages": result.languages,
}
Klíčové poznatky
- Kontext je nejefektivnější páka:
prompt,keywordsalanguagesugpt-transcribe; jedinýpromptomezený na 224 tokenů uwhisper-1 temperaturemá výchozí hodnotu 0 a při této hodnotě si model v případě potřeby upravuje teplotu sám: nech výchozí hodnotu- Předzpracování audia (mono, 16 kHz, normalizace, odšumění) zlepší kvalitu více než jakýkoliv parametr API
- Post-processing pomocí GPT opraví interpunkci, velikost písmen a zbytkové chyby
- Kompletní pipeline kombinuje předzpracování, kontextové promptování a post-processing pro maximální kvalitu