Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Optimér transkriptionskvaliteten

Lektion 9 af 18 Opdateret 3. november 2026 Udvikler
På denne side
  1. Optimér transkriptionskvaliteten
  2. Parameteren prompt
  3. Parameteren temperature
  4. Forbehandling af lyd
  5. Efterbehandling af transkription
  6. Komplet transkriptions-pipeline
  7. Vigtige pointer

Opdatering 2. november 2026 — Lydmodeller. Flere modeller i dette kursus er udfaset: tts-1, tts-1-hd og gpt-4o-mini-tts ophører med at fungere den 6. januar 2027 (den angivne erstatning er gpt-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-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 opdateret 3. november 2026: eksempler er skiftet til gpt-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-1 går alt gennem den enkelte prompt, 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-transcribe skal termer placeres i keywords, 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, keywords og languages med gpt-transcribe; den enkelte prompt, begrænset til 224 tokens, med whisper-1
  • temperature har 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