Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Understøttede formater og sprog

Lektion 7 af 18 Opdateret 3. november 2026 Udvikler
På denne side
  1. Understøttede formater og sprog
  2. Understøttede lydformater
  3. Understøttede sprog
  4. Håndtering af flersproget indhold
  5. Prissætning
  6. Vigtige pointer

Opdatering 2. november 2026 — Lydmodeller. Flere modeller i dette kursus er udfaset: tts-1, tts-1-hd og gpt-4o-mini-tts lukker ned den 6. januar 2027 (den angivne erstatning er gpt-realtime-2.1-mini, som OpenAI’s TTS-guide angiver ikke understøttes af /v1/audio/speech: migration af talesyntese flyttes til Realtime API); gpt-realtime, gpt-4o-realtime og ældre lydmodeller den 20. januar 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe og /v1/audio/translations den 26. februar 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Til fuld-duplex tale har GPT-Live 1 været tilgængelig i API’en siden 10. september 2026. Lektion korrigeret 3. november 2026: eksempler opdateret fra whisper-1 til gpt-transcribe (ved brug af parameteren languages), antallet af Whisper-sprog korrigeret (98, ikke “over 50”, jf. guiden File transcription), to-trins metoden til flersprog erstattet af sproghint i gpt-transcribe, prissætning kildehenvist. Kilder: File transcription · GPT-Transcribe · Create transcription.

Understøttede formater og sprog

OpenAI’s transskriptionsmodeller accepterer en bred vifte af lydformater og understøtter snesevis af sprog. Valget af det rigtige inputformat og korrekt konfiguration af sproget påvirker direkte transskriptionskvaliteten og omkostningerne. Denne lektion gennemgår de tilgængelige muligheder og bedste praksis.

Understøttede lydformater

Ifølge API-referencen accepterer transskriptions-endpointet formaterne flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav og webm, forudsat at filnavnet indeholder den korrekte filendelse. De mest almindelige er:

Format Filendelse Komprimering Anbefalet brug
MP3 .mp3 Lossy, godt forhold Podcasts, taleoptagelser
MP4 / M4A .mp4, .m4a AAC lossy Videoer, mobile optagelser
WAV .wav Ukomprimeret Studiooptagelser
WebM .webm Opus lossy Browseroptagelser
FLAC .flac Lossless Maksimal kvalitet uden tab
OGG .ogg Vorbis/Opus Open source-applikationer

Den maksimale filstørrelse er 25 MB. For en MP3-fil på 128 kbps svarer dette til cirka 25 minutters lyd. For ukomprimeret WAV er det betydeligt mindre.

Optimering af filstørrelse

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Konverterer en lydfil til letvægts MP3, tilstrækkelig til tale."""
    audio = AudioSegment.from_file(input_path)

    # Konverter til mono 16kHz (tilstrækkeligt til tale)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Eksporter som 64kbps MP3 (godt kompromis mellem kvalitet og størrelse for tale)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Understøttede sprog

whisper-1 dækker 98 sprog, hvor nøjagtigheden varierer afhængigt af sproget. gpt-transcribe registrerer sproget automatisk; hvis du ved, hvilke sprog du kan forvente, skal du angive dem i languages: ISO 639-1 koder (fr, en, es…), nogle ISO 639-3 koder (eng, spa, yue, cmn) og regionale kinesiske varianter (zh-cn, zh-tw, zh-hk). En ikke-understøttet eller forkert kode vil få anmodningen til at fejle.

# Automatisk registrering (standard)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # sprog genkendt med tilstrækkelig tillid

# Forventede sprog
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

languages er en liste, specifik for gpt-transcribe; ældre modeller accepterer et enkelt sprog i language. Send aldrig begge dele.

Almindelige europæiske sprog

De oftest brugte ISO 639-1 koder i Europa:

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",
}

Håndtering af flersproget indhold

Et internationalt møde skifter mellem sprog. gpt-transcribe er designet til netop dette tilfælde: modelkortet nævner understøttelse af flere sproghint, flersproget lyd og codeswitching inden for én enkelt sætning. Angiv alle forventede sprog i ét enkelt gennemløb:

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("Genkendte sprog:", result.languages)

Den gamle to-trins metode, der registrerede det dominerende sprog med whisper-1 i verbose_json-tilstand og derefter gen-transskriberede ved at gennemtvinge dette sprog, er ikke længere nødvendig: den tvang ét enkelt sprog på hele optagelsen, og whisper-1 lukker ned den 26. februar 2027.

Prissætning

Transskription faktureres efter varigheden af den behandlede lyd: $0.0045 per minut med gpt-transcribe, ifølge modelkortet (november 2026). Filformatet påvirker derfor ikke omkostningerne: kun varigheden betyder noget.

For at reducere omkostningerne ved store mængder:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Fjerner stilhed for at reducere den fakturerede varighed."""
    audio = AudioSegment.from_file(file_path)

    # Fjern stilheder længere end 1 sekund
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Behold 200ms stilhed for læsbarhed
    )

    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

Vigtige pointer

  • Transskriptions-endpointet accepterer FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM med en grænse på 25 MB per fil
  • Med gpt-transcribe specificerer listen languages de forventede sprog; svaret returnerer de genkendte sprog
  • Mono 16 kHz MP3 ved 64 kbps tilbyder det bedste kompromis mellem kvalitet og størrelse for tale
  • Fakturering sker per minut lyd: fjernelse af stilhed reducerer omkostningerne
  • Til flersproget indhold erstatter et enkelt gennemløb med alle forventede sprog i languages den gamle to-trins metode