Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Transkribér en lydfil: gpt-transcribe og Whisper

Lektion 6 af 18 Opdateret 3. november 2026 Udvikler
På denne side
  1. Transkribér en optagelse
  2. Hvilken model i november 2026
  3. Din første transkription
  4. Giv modellen kontekst
  5. Følg transkriptionen i realtid
  6. Tidsstempler og undertekster: whisper-1 indtil 26. februar 2027
  7. Lange filer
  8. Vigtige pointer

Lektionen er omskrevet den 3. november 2026. Denne vejledning dækkede tidligere whisper-1, som er forældet og vil blive afviklet den 26. februar 2027. OpenAIs guide til File transcription anbefaler nu gpt-transcribe. gpt-transcribe leverer dog ikke tidsstempler, SRT- eller VTT-undertekster eller et verbose_json-svar. Til disse specifikke behov er whisper-1 stadig den eneste mulighed indtil afviklingen. Koden tilgik tidligere segmenter som ordbøger (segment["start"]), hvilket udløser en TypeError med Python SDK; de er objekter (segment.start). Alle kald er verificeret med openai SDK 3.42.1. Kilder: File transcription · Create transcription · GPT-Transcribe · Deprecations.

Transkribér en optagelse

Filtranskription dækker den mest almindelige brugssag: Du har en færdig optagelse (et møde, en podcast, en talebesked) og har brug for teksten. Du sender filen til endpointet /v1/audio/transcriptions og modtager transkriptionen. Til lyd, der stadig ankommer, f.eks. fra en mikrofon eller et opkald, er den korrekte tilgang live-transkription via Realtime API, som vi dækker senere i dette kursus.

Filen skal være på højst 25 MB og have et af følgende formater: mp3, mp4, mpeg, mpga, m4a, wav eller webm.

Hvilken model i november 2026

ModelStatusNøglepunkter
gpt-transcribeAnbefaletKontekst (prompt), nøgleord (keywords), forventede sprog (languages), streaming-transkription; $0,0045 pr. minut
whisper-1Forældet, afvikling 26. februar 2027Eneste model der leverer tidsstempler, verbose_json, SRT og VTT samt oversættelse til engelsk
gpt-4o-transcribe, gpt-4o-mini-transcribeForældet, afvikling 26. februar 2027Erstattet af gpt-transcribe
gpt-4o-transcribe-diarizeForældet, afvikling 26. februar 2027Talergenkendelse (diarized_json)

Din første transkription

from openai import OpenAI

client = OpenAI()

with open("recording.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
    )

print(transcription.text)

Som standard er svaret et JSON-objekt: transcription.text indeholder teksten, og transcription.languages lister de sprog, modellen har genkendt med tilstrækkelig sikkerhed (en tom liste, hvis den ikke kunne identificere nogen).

Giv modellen kontekst

En mødeoptagelse er fyldt med egennavne, akronymer og interne begreber, som modellen ikke har nogen grund til at kende. gpt-transcribe accepterer tre hints, du kan kombinere:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Ledelsesmøde om Corsen AI-projektet og kontrakt AC-42.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["da", "en"],
    )

print(transcription.text)
  • prompt beskriver konteksten i én sætning på optagelsens sprog. Dette er ikke en systeminstruks; det er et hint, der guider genkendelsen.
  • keywords lister begreber, der skal genkendes. Indtast ét nøgleord pr. element uden <, > eller linjeskift: API’et afviser hele anmodningen, hvis det finder nogen.
  • languages specificerer forventede sprog ved hjælp af ISO 639-1-koder (da, en, es…). Det erstatter parameteren language fra ældre modeller: send aldrig begge dele.

Følg transkriptionen i realtid

Ved lange filer behøver du ikke vente til slutningen for at vise begyndelsen. Med stream=True returnerer API’et begivenheder, efterhånden som behandlingen sker, uden at kræve en Realtime-session:

with open("meeting.mp3", "rb") as audio_file:
    stream = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        stream=True,
    )
    for event in stream:
        if event.type == "transcript.text.delta":
            print(event.delta, end="", flush=True)
        elif event.type == "transcript.text.done":
            print()  # fuld transkription i event.text

Tidsstempler og undertekster: whisper-1 indtil 26. februar 2027

OpenAIs guide siger det eksplicit: Deres eksempler på tidsstempler på ordniveau, undertekster og talergenkendelse afhænger af forældede modeller. Hvis du har brug for disse funktioner, er whisper-1 stadig tilgængelig indtil 26. februar 2027, og det er den eneste model, der accepterer verbose_json og timestamp_granularities:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        response_format="verbose_json",
        timestamp_granularities=["segment"],
    )

for segment in transcription.segments or []:
    print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")

Segmenter er SDK-objekter: læs segment.start, ikke segment["start"]. Med timestamp_granularities=["word"] vises tidsstempler på ordniveau i transcription.words, til prisen af en lidt højere ventetid. Den samme model producerer også brugsklare undertekster: med response_format="srt" eller "vtt" returnerer SDK’et undertekstfilens tekst direkte.

Guiden har endnu ikke udpeget en erstatning for disse funktioner. Hvis dit produkt afhænger af tidsstempler eller undertekster, skal du planlægge en løsning før 26. februar 2027.

Lange filer

Til filer større end 25 MB skal du komprimere lyden eller opdele den. Dokumentationen anbefaler at undgå klip midt i en sætning, hvilket mister kontekst, og foreslår biblioteket pydub til opdeling (OpenAI garanterer ikke denne tredjepartssoftware). At sende slutningen af det forrige chunk i prompt hjælper modellen med at bevare kontinuiteten, hvilket er en brug af parameteren, der citeres i guiden:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Transkriberer en lang optagelse i bidder på 10 minutter."""
    audio = AudioSegment.from_file(path)
    texts: list[str] = []

    for i, start in enumerate(range(0, len(audio), duration_ms)):
        chunk = f"chunk_{i}.mp3"
        audio[start:start + duration_ms].export(chunk, format="mp3")
        options = {"prompt": texts[-1][-500:]} if texts else {}  # kontinuitet
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

Opdeling med fast varighed skærer nogle gange en sætning over: for et poleret resultat bør du opdele ved stilhed i stedet.

Vigtige pointer

  • gpt-transcribe er den anbefalede model til filtranskription; whisper-1 og gpt-4o-*-transcribe afvikles den 26. februar 2027
  • prompt, keywords og languages (ikke længere language) styrer genkendelse af begreber og sprog
  • stream=True returnerer transkriptionen løbende (transcript.text.delta) uden en Realtime-session
  • Tidsstempler, verbose_json, SRT og VTT findes kun med whisper-1 indtil afviklingen; læs segmenter som objekter (segment.start)
  • Maksimum 25 MB pr. fil: komprimér eller opdel, helst ved stilhed