Optimér transkriptionskvaliteten
På denne side
Opdatering 2. november 2026 — Lydmodeller. Flere modeller i dette kursus er udfaset:
tts-1,tts-1-hdoggpt-4o-mini-ttsophører med at fungere den 6. januar 2027 (den angivne erstatning ergpt-realtime-2.1-mini, hvilket 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 opdateret 3. november 2026: eksempler er skiftet tilgpt-transcribe(prompt,keywords,languages), den model OpenAI anbefaler; temperatur 0 er ikke et valg for “altid mest sandsynlige”: ifølge API-referencen justerer modellen derefter selv temperaturen i trin. Kilder: Filtranskription · Opret transkription.
Optimér transkriptionskvaliteten
Whisper producerer som standard fremragende transkriptioner, men flere teknikker kan forbedre kvaliteten markant, især i svære tilfælde: baggrundsstøj, regionale accenter, fagterminologi og egennavne. Denne lektion dækker avancerede parametre og strategier til efterbehandling.
Parameteren prompt
Kontekst er dit primære løftestang til at forbedre kvaliteten. Med gpt-transcribe, den model OpenAI anbefaler, sendes kontekst via tre parametre: prompt (en kontekstsætning på lydfilens sprog), keywords (termer der skal genkendes) og languages (forventede sprog).
# Uden kontekst risikerer produktnavne at blive transkriberet forkert
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
# Med kontekst og nøgleord
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
prompt="Teknisk møde hos Corsen AI om voice agents.",
keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)
Bedste praksis for prompt
- List egennavne: personer, virksomheder, produkter
- Inkluder fagjargon: akronymer, domænespecifikke termer
- Specificer den forventede stil: tegnsætning, store/små bogstaver
- Med
whisper-1går alt gennem den enkelteprompt, begrænset til 224 tokens: guiden specificerer, at Whisper ikke følger instruktioner som en tekstmodel, hvorfor fordelen ligger i simpelthen at liste korrekte stavemåder der - Med
gpt-transcribeskal termer placeres ikeywords, én pr. indgang, uden<,>eller linjeskift, ellers afviser API’en anmodningen
def build_transcription_prompt(context: dict) -> str:
"""Bygger en kontekst-prompt til transkription."""
parts = []
if context.get("speakers"):
parts.append(", ".join(context["speakers"]))
if context.get("technical_terms"):
parts.append(", ".join(context["technical_terms"]))
if context.get("topic"):
parts.append(context["topic"])
return ". ".join(parts)
prompt = build_transcription_prompt({
"speakers": ["Mordehai Attia", "Yoram Halberstam"],
"technical_terms": ["Realtime API", "WebSocket", "VAD", "PCM16"],
"topic": "Teknisk møde om voice agents"
})
Parameteren temperature
Endpointet accepterer en temperature mellem 0 og 1, med standardværdien 0. I modsætning til en udbredt misforståelse betyder værdien 0 ikke “altid det mest sandsynlige ord”: ifølge API-referencen baserer modellen sig derefter på sine token-sandsynligheder til selv at hæve temperaturen i trin op til visse tærskler.
I praksis bør du beholde standardværdien. Dokumentationen for gpt-transcribe understreger kontekst (prompt, keywords, languages), ikke temperatur; på whisper-1 kan en lidt højere temperatur (f.eks. 0,2) testes på degraderet lyd fra sag til sag.
Forbehandling af lyd
Input-lydkvaliteten er den mest afgørende faktor. Investér i forbehandling:
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
def preprocess_audio(input_path: str, output_path: str) -> str:
"""Forbehandler lyd til optimal transkription."""
audio = AudioSegment.from_file(input_path)
# 1. Konverter til mono (stereo tilføjer intet for tale)
audio = audio.set_channels(1)
# 2. Resample til 16 kHz (tilstrækkeligt til Whisper)
audio = audio.set_frame_rate(16000)
# 3. Normaliser lydstyrke
audio = normalize(audio)
# 4. Komprimer dynamikområde (reducerer kløften mellem højt/lavt)
audio = compress_dynamic_range(audio)
# 5. Eksporter som 64 kbps MP3
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Støjreduktion
Til støjende optagelser forbedrer forbehandling med noisereduce resultaterne markant:
import noisereduce as nr
import soundfile as sf
import numpy as np
def reduce_noise(input_path: str, output_path: str) -> str:
"""Reducerer baggrundsstøj før transkription."""
data, rate = sf.read(input_path)
# Adaptiv støjreduktion
reduced = nr.reduce_noise(
y=data,
sr=rate,
prop_decrease=0.8, # 80% støjreduktion
stationary=False # Ikke-stationær støj (f.eks. café)
)
sf.write(output_path, reduced, rate)
return output_path
Efterbehandling af transkription
Selv med god forbehandling kan rå transkription kræve korrektioner. Brug GPT til efterbehandling:
async def post_process_transcription(raw_text: str, context: str) -> str:
"""Korrigerer og formaterer en Whisper-transkription."""
response = client.responses.create(
model="gpt-5.6-luna",
input=[
{"role": "system", "content": (
"Du er en transkriptionskorrektør. "
"Ret åbenlyse Whisper-fejl uden at ændre betydningen. "
"Tilføj manglende tegnsætning. "
"Ret store/små bogstaver for egennavne og akronymer. "
"Opsummer eller omskriv ikke."
)},
{"role": "user", "content": (
f"Kontekst: {context}\n\n"
f"Rå transkription:\n{raw_text}"
)}
]
)
return response.output_text
Komplet transkriptions-pipeline
Saml alle trin i en robust pipeline:
async def transcribe_high_quality(
file_path: str,
language: str = "fr",
speakers: list[str] = None,
technical_terms: list[str] = None
) -> dict:
"""Komplet pipeline til transkription i høj kvalitet."""
# 1. Forbehandling
processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")
# 2. Byg kontekst: kun udfyldte parametre
options = {}
terms = (speakers or []) + (technical_terms or [])
if terms:
options["keywords"] = terms
# 3. Transkriber
with open(processed_path, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=[language],
**options,
)
# 4. Efterbehandling
context = f"Sprog: {language}, Talere: {speakers}"
corrected = await post_process_transcription(result.text, context)
return {
"raw_text": result.text,
"corrected_text": corrected,
"languages": result.languages,
}
Vigtige pointer
- Kontekst er det mest effektive løftestang:
prompt,keywordsoglanguagesmedgpt-transcribe; den enkelteprompt, begrænset til 224 tokens, medwhisper-1 temperaturehar standardværdien 0, og ved 0 justerer modellen selv temperaturen om nødvendigt: behold standardværdien- Forbehandling af lyd (mono, 16 kHz, normalisering, støjfjerning) forbedrer kvaliteten mere end nogen API-parameter
- GPT-efterbehandling korrigerer tegnsætning, store/små bogstaver og resterende fejl
- En komplet pipeline kombinerer forbehandling, kontekstuel prompting og efterbehandling for maksimal kvalitet