Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Automatisk oversættelse

Lektion 8 af 18 Opdateret 3. november 2026 Udvikler
På denne side
  1. To behov, to værktøjer
  2. Oversættelse af en optagelse
  3. Tolkning af live-tale
  4. Vigtige pointer

Lektionen er omskrevet den 3. november 2026. Den stolede tidligere på endpointet /v1/audio/translations og modellen whisper-1, som begge er forældede og udfasede pr. 26. februar 2027, samt en genbrugt Realtime-assistentsession, der fungerede som tolk. OpenAI tilbyder nu to veje: til optagelser, transskription på originalsproget med gpt-transcribe efterfulgt af tekstoversættelse; til live-tale, en dedikeret oversættelsessession med gpt-realtime-translate. Koden er verificeret med SDK’et openai version 3.42.1 og biblioteket websocket-client. Kilder: Filtransskription · Realtime-oversættelse · Udfasninger.

To behov, to værktøjer

Oversættelse af lyd dækker to meget forskellige scenarier, og OpenAI håndterer dem med forskellige værktøjer:

BehovVærktøj pr. november 2026Resultat
En optagelse, der skal oversættes (møde, podcast, arkiveret opkald)gpt-transcribe til transskription på originalsproget, derefter en tekstmodel til oversættelseOversat tekst på dit målsprog
Live-tale, der skal tolkes (opkald, konference, undervisning)Realtime-oversættelsessession med gpt-realtime-translateOversat lyd og transskripter, genereret mens talen foregår
Gammel metode: /v1/audio/translations med whisper-1Forældet, udfaset 26. februar 2027Kun tekst på engelsk

OpenAIs guide understreger ét punkt: Det er ikke nok blot at ændre model-ID’et i en anmodning til /v1/audio/translations for at migrere. Det gamle endpoint, som kun kunne oversætte til engelsk, har ingen direkte erstatning.

Oversættelse af en optagelse

Denne metode transskriberer først trofast på det talte sprog og oversætter derefter teksten. Den virker til ethvert målsprog – i modsætning til det gamle endpoint, der kun producerede engelsk – og giver dig begge tekster, hvilket er nyttigt til verifikation:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Transskriberer en optagelse på originalsproget og oversætter derefter teksten."""
    with open(path, "rb") as f:
        transcription = client.audio.transcriptions.create(model="gpt-transcribe", file=f)

    response = client.responses.create(
        model="gpt-6-luna",
        instructions=(
            f"Oversæt teksten, som brugeren har angivet, til {target_language}. "
            "Behold tonen og stilen. Svar kun med oversættelsen."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])

To valg fortjener en forklaring. Oversættelsesinstruktionen placeres i instructions, mens transskriptionen ankommer som rå data i input: en optagelse kan indeholde hvad som helst, herunder en sætning, der ligner en kommando, og den må ikke kunne ændre instruktionen. Modellen gpt-6-luna er den, OpenAI anbefaler til storskala, omkostningssensitiv behandling; til følsom juridisk eller teknisk tekst bør du vælge en mere capable model, f.eks. gpt-6.1-sol.

Tolkning af live-tale

For at oversætte, mens nogen taler, tilbyder OpenAI en særlig type Realtime-session. Guiden skelner tydeligt mellem denne og en voice agent-session:

Voice agent-sessionOversættelsessession
Forbinder til /v1/realtimeForbinder til /v1/realtime/translations
Modellen fungerer som assistentModellen fungerer som tolk
Samtale- og svarcyklus (response.create)Kontinuerlig stream fra indgående lyd, ingen response.create
Kan kalde værktøjerProducerer oversat lyd og transskripter

Transporten afhænger af, hvor lyden ankommer. I en browser sender WebRTC mikrofoninputtet og modtager den oversatte stemme som lydspor; din server opretter en kortlivet klient-hemmelighed hertil via /v1/realtime/translations/client_secrets, så din API-nøgle aldrig forlader serveren. På serversiden, når lyden allerede ankommer rå (et telefonstream, en optagelse), er en WebSocket-forbindelse nok:

import base64
import json
import os

import websocket  # pip install websocket-client

ws = websocket.WebSocket()
ws.connect(
    "wss://api.openai.com/v1/realtime/translations?model=gpt-realtime-translate",
    header=[
        f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}",
        "OpenAI-Safety-Identifier: hashed-user-id",  # hashet identifikator for din bruger
    ],
)

# Tolkens output-sprog
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Tilføjer en kilde-lydblok: 16-bit PCM, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Mens du sender lyden, inklusive stilheder, returnerer sessionen begivenheder, der skal behandles løbende: session.output_audio.delta indeholder den oversatte lyd i base64, session.output_transcript.delta den oversatte tekst, og session.input_transcript.delta transskriptionen af originalen. Når kilden stopper, sender du session.close: tjenesten afslutter den aktuelle oversættelse og svarer derefter med session.closed.

translation: list[str] = []
while True:
    event = json.loads(ws.recv())
    if event["type"] == "session.output_transcript.delta":
        translation.append(event["delta"])
    elif event["type"] == "error":
        raise RuntimeError(f"Oversættelsesfejl: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

Undervurder ikke error-begivenheden: en afvist nøgle får ikke selve forbindelsen til at fejle; den ankommer lige efter som en error-begivenhed med koden invalid_api_key (observeret 3. november 2026). I produktion kører modtagelsen parallelt med afsendelsen, i en separat tråd eller opgave, og den oversatte lyd sendes til afspilleren eller telefonlinjen, efterhånden som den ankommer: den officielle guide indeholder en komplet version, herunder lydafspilning.

Vigtige pointer

  • /v1/audio/translations og whisper-1 lukkes ned den 26. februar 2027 uden direkte erstatning: det er ikke nok at ændre modellen
  • Til en optagelse: brug gpt-transcribe på originalsproget, derefter tekstoversættelse via en tekstmodel til ethvert sprog
  • Behold oversættelsesinstruktionen i instructions og transskriptionen som rå data
  • Til live-tale: en oversættelsessession (/v1/realtime/translations, gpt-realtime-translate), der fungerer som tolk, uden response.create
  • WebRTC i browseren med en klient-hemmelighed oprettet af serveren; WebSocket på serversiden med 16-bit PCM-lyd ved 24 kHz