Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Optimalizace kvality přepisu

Lekce 9 z 18 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Optimalizace kvality přepisu
  2. Parametr prompt
  3. Parametr temperature
  4. Předzpracování audia
  5. Post-processing přepisu
  6. Kompletní pipeline přepisu
  7. 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 přestanou fungovat 6. ledna 2027 (uvedenou náhradou je gpt-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-realtime a starší zvukové modely 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 26. 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 na gpt-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-1 vše prochází jediným parametrem prompt, 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-transcribe vlož termíny do keywords, 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, keywords a languages u gpt-transcribe; jediný prompt omezený na 224 tokenů u whisper-1
  • temperature má 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