Understøttede formater og sprog
På denne side
Opdatering 2. november 2026 — Lydmodeller. Flere modeller i dette kursus er udfaset:
tts-1,tts-1-hdoggpt-4o-mini-ttslukker ned den 6. januar 2027 (den angivne erstatning ergpt-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-realtimeog ældre lydmodeller den 20. januar 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeog/v1/audio/translationsden 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 frawhisper-1tilgpt-transcribe(ved brug af parameterenlanguages), antallet af Whisper-sprog korrigeret (98, ikke “over 50”, jf. guiden File transcription), to-trins metoden til flersprog erstattet af sproghint igpt-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-transcribespecificerer listenlanguagesde 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
languagesden gamle to-trins metode