Automatisk oversættelse
På denne side
Lektionen er omskrevet den 3. november 2026. Den stolede tidligere på endpointet
/v1/audio/translationsog modellenwhisper-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 medgpt-transcribeefterfulgt af tekstoversættelse; til live-tale, en dedikeret oversættelsessession medgpt-realtime-translate. Koden er verificeret med SDK’etopenaiversion 3.42.1 og biblioteketwebsocket-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:
| Behov | Værktøj pr. november 2026 | Resultat |
|---|---|---|
| En optagelse, der skal oversættes (møde, podcast, arkiveret opkald) | gpt-transcribe til transskription på originalsproget, derefter en tekstmodel til oversættelse | Oversat tekst på dit målsprog |
| Live-tale, der skal tolkes (opkald, konference, undervisning) | Realtime-oversættelsessession med gpt-realtime-translate | Oversat lyd og transskripter, genereret mens talen foregår |
Gammel metode: /v1/audio/translations med whisper-1 | Forældet, udfaset 26. februar 2027 | Kun 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-session | Oversættelsessession |
|---|---|
Forbinder til /v1/realtime | Forbinder til /v1/realtime/translations |
| Modellen fungerer som assistent | Modellen fungerer som tolk |
Samtale- og svarcyklus (response.create) | Kontinuerlig stream fra indgående lyd, ingen response.create |
| Kan kalde værktøjer | Producerer 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/translationsogwhisper-1lukkes ned den 26. februar 2027 uden direkte erstatning: det er ikke nok at ændre modellen- Til en optagelse: brug
gpt-transcribepå originalsproget, derefter tekstoversættelse via en tekstmodel til ethvert sprog - Behold oversættelsesinstruktionen i
instructionsog transskriptionen som rå data - Til live-tale: en oversættelsessession (
/v1/realtime/translations,gpt-realtime-translate), der fungerer som tolk, udenresponse.create - WebRTC i browseren med en klient-hemmelighed oprettet af serveren; WebSocket på serversiden med 16-bit PCM-lyd ved 24 kHz