Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Μεταγραφή αρχείου ήχου: gpt-transcribe και Whisper

Μάθημα 6 / 18 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Μεταγραφή μιας ηχογράφησης
  2. Ποιο μοντέλο τον Νοέμβριο του 2026
  3. Πρώτη μεταγραφή
  4. Παροχή συμφραζομένων στο μοντέλο
  5. Παρακολούθηση της μεταγραφής σε πραγματικό χρόνο
  6. Χρονοσήματα και υπότιτλοι: whisper-1, έως τις 26 Φεβρουαρίου 2027
  7. Μεγάλα αρχεία
  8. Βασικά σημεία

Μάθημα αναθεωρημένο στις 3 Νοεμβρίου 2026. Ο οδηγός αυτός κάλυπτε προηγουμένως το whisper-1, το οποίο έχει καταργηθεί και θα διακοπεί οριστικά στις 26 Φεβρουαρίου 2027. Ο οδηγός File transcription της OpenAI προτείνει πλέον το gpt-transcribe. Ωστόσο, το gpt-transcribe δεν παρέχει χρονοσήματα, υπότιτλους SRT ή VTT, ούτε απόκριση verbose_json. Για αυτές τις συγκεκριμένες ανάγκες, το whisper-1 παραμένει η μοναδική επιλογή μέχρι τη διακοπή του. Ο προηγούμενος κώδικας προσπέλαζε τα τμήματα ως λεξικά (segment["start"]), κάτι που προκαλεί TypeError με το Python SDK· πλέον είναι αντικείμενα (segment.start). Κάθε κλήση έχει επαληθευτεί με το openai SDK 3.42.1. Πηγές: File transcription · Create transcription · GPT-Transcribe · Deprecations.

Μεταγραφή μιας ηχογράφησης

Η μεταγραφή αρχείου καλύπτει την πιο συνηθισμένη περίπτωση χρήσης: διαθέτετε μια ολοκληρωμένη ηχογράφηση (μια σύσκεψη, ένα podcast, ένα φωνητικό μήνυμα) και χρειάζεστε το κείμενο. Στέλνετε το αρχείο στο σημείο τελικού /v1/audio/transcriptions και λαμβάνετε τη μεταγραφή. Για ήχο που φτάνει ακόμη, όπως από μικρόφωνο ή τηλεφωνική κλήση, η σωστή προσέγγιση είναι η ζωντανή μεταγραφή μέσω του Realtime API, το οποίο θα καλυφθεί αργότερα σε αυτό το μάθημα.

Το αρχείο πρέπει να είναι 25 MB ή μικρότερο, σε μία από τις ακόλουθες μορφές: mp3, mp4, mpeg, mpga, m4a, wav, ή webm.

Ποιο μοντέλο τον Νοέμβριο του 2026

ΜοντέλοΚατάστασηΒασικά σημεία
gpt-transcribeΣυνιστάταιΣυμφραζόμενα (prompt), λέξεις-κλειδιά (keywords), αναμενόμενες γλώσσες (languages), ροή μεταγραφής· 0,0045 $ ανά λεπτό
whisper-1Καταργημένο, διακοπή 26 Φεβρουαρίου 2027Μοναδικό μοντέλο που παρέχει χρονοσήματα, verbose_json, SRT και VTT, καθώς και μετάφραση στα Αγγλικά
gpt-4o-transcribe, gpt-4o-mini-transcribeΚαταργημένο, διακοπή 26 Φεβρουαρίου 2027Αντικαταστάθηκαν από το gpt-transcribe
gpt-4o-transcribe-diarizeΚαταργημένο, διακοπή 26 Φεβρουαρίου 2027Αναγνώριση ομιλητή (diarized_json)

Πρώτη μεταγραφή

from openai import OpenAI

client = OpenAI()

with open("recording.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
    )

print(transcription.text)

Εξ ορισμού, η απόκριση είναι ένα αντικείμενο JSON: το transcription.text περιέχει το κείμενο, ενώ το transcription.languagesαναφέρει τις γλώσσες που αναγνώρισε το μοντέλο με επαρκή βεβαιότητα (μια κενή λίστα εάν δεν μπόρεσε να εντοπίσει καμία).

Παροχή συμφραζομένων στο μοντέλο

Μια ηχογράφηση σύσκεψης είναι γεμάτη κύρια ονόματα, ακρωνύμια και εσωτερικούς όρους τους οποίους το μοντέλο δεν έχει λόγο να γνωρίζει. Το gpt-transcribe δέχεται τρεις υποδείξεις που μπορείτε να συνδυάσετε:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        prompt="Management meeting about the Corsen AI project and contract AC-42.",
        keywords=["Corsen AI", "AC-42", "GDPR"],
        languages=["fr", "en"],
    )

print(transcription.text)
  • Το prompt περιγράφει τα συμφραζόμενα σε μία μόνο πρόταση, στη γλώσσα της ηχογράφησης. Δεν πρόκειται για οδηγία συστήματος· είναι μια υπόδειξη που καθοδηγεί την αναγνώριση.
  • Το keywords παραθέτει τους όρους προς αναγνώριση. Εισάγετε μία λέξη-κλειδί ανά στοιχείο, χωρίς <, >, ή αλλαγές γραμμής: το API απορρίπτει ολόκληρο το αίτημα εάν εντοπίσει οποιοδήποτε από αυτά.
  • Το languages καθορίζει τις αναμενόμενες γλώσσες χρησιμοποιώντας κωδικούς ISO 639-1 (fr, en, es…). Αντικαθιστά την παράμετρο language των παλαιότερων μοντέλων: μην στέλνετε ποτέ και τα δύο ταυτόχρονα.

Παρακολούθηση της μεταγραφής σε πραγματικό χρόνο

Για μεγάλα αρχεία, δεν χρειάζεται να περιμένετε μέχρι το τέλος για να εμφανίσετε την αρχή. Με stream=True, το API επιστρέφει συμβάντα καθώς πραγματοποιείται η επεξεργασία, χωρίς να απαιτείται συνεδρία Realtime:

with open("meeting.mp3", "rb") as audio_file:
    stream = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio_file,
        stream=True,
    )
    for event in stream:
        if event.type == "transcript.text.delta":
            print(event.delta, end="", flush=True)
        elif event.type == "transcript.text.done":
            print()  # full transcription in event.text

Χρονοσήματα και υπότιτλοι: whisper-1, έως τις 26 Φεβρουαρίου 2027

Ο οδηγός της OpenAI αναφέρει ρητά: τα παραδείγματά του για χρονοσήματα σε επίπεδο λέξης, υπότιτλους και αναγνώριση ομιλητή βασίζονται σε καταργημένα μοντέλα. Εάν χρειάζεστε αυτές τις λειτουργίες, το whisper-1 παραμένει διαθέσιμο έως τις 26 Φεβρουαρίου 2027 και είναι το μοναδικό μοντέλο που δέχεται verbose_json και timestamp_granularities:

with open("meeting.mp3", "rb") as audio_file:
    transcription = client.audio.transcriptions.create(
        model="whisper-1",
        file=audio_file,
        response_format="verbose_json",
        timestamp_granularities=["segment"],
    )

for segment in transcription.segments or []:
    print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")

Τα τμήματα είναι αντικείμενα SDK: διαβάστε το segment.start, όχι το segment["start"]. Με timestamp_granularities=["word"], τα χρονοσήματα σε επίπεδο λέξης εμφανίζονται στο transcription.words, με κόστος ελαφρώς μεγαλύτερη καθυστέρηση. Το ίδιο μοντέλο παράγει επίσης έτοιμους προς χρήση υπότιτλους: με response_format="srt" ή "vtt", το SDK επιστρέφει απευθείας το κείμενο του αρχείου υποτίτλων.

Ο οδηγός δεν έχει ακόμη ορίσει αντικαταστάτη για αυτές τις λειτουργίες. Εάν το προϊόν σας εξαρτάται από χρονοσήματα ή υπότιτλους, σχεδιάστε μια λύση πριν από τις 26 Φεβρουαρίου 2027.

Μεγάλα αρχεία

Για αρχεία μεγαλύτερα από 25 MB, συμπιέστε τον ήχο ή διαιρέστε τον. Η τεκμηρίωση συνιστά την αποφυγή κοψιμάτων στη μέση μιας πρότασης, καθώς χάνονται τα συμφραζόμενα, και προτείνει τη βιβλιοθήκη pydub για τη διαίρεση (η OpenAI δεν εγγυάται αυτό το λογισμικό τρίτων). Η μετάδοση του τέλους του προηγούμενου τμήματος στο prompt βοηθά το μοντέλο να διατηρήσει τη συνέχεια, μια χρήση της παραμέτρου που αναφέρεται στον οδηγό:

from pydub import AudioSegment


def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
    """Transcribes a long recording in 10-minute chunks."""
    audio = AudioSegment.from_file(path)
    texts: list[str] = []

    for i, start in enumerate(range(0, len(audio), duration_ms)):
        chunk = f"chunk_{i}.mp3"
        audio[start:start + duration_ms].export(chunk, format="mp3")
        options = {"prompt": texts[-1][-500:]} if texts else {}  # continuity
        with open(chunk, "rb") as f:
            result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
        texts.append(result.text)

    return " ".join(texts)

Η διαίρεση σταθερής διάρκειας μερικές φορές κόβει μια πρόταση στη μέση: για ένα polished αποτέλεσμα, διαιρέστεμε βάση σιωπής αντί για χρόνο.

Βασικά σημεία

  • Το gpt-transcribe είναι το συνιστώμενο μοντέλο για μεταγραφή αρχείων· τα whisper-1 και gpt-4o-*-transcribe διακόπτονται στις 26 Φεβρουαρίου 2027
  • Τα prompt, keywords και languages (όχι πλέον language) καθοδηγούν την αναγνώριση όρων και γλώσσας
  • Το stream=True επιστρέφει τη μεταγραφή εν κινήσει (transcript.text.delta), χωρίς συνεδρία Realtime
  • Τα χρονοσήματα, το verbose_json, τα SRT και τα VTT υπάρχουν μόνο με το whisper-1 έως τη διακοπή του· διαβάστε τα τμήματα ως αντικείμενα (segment.start)
  • Μέγιστο 25 MB ανά αρχείο: συμπιέστε ή διαιρέστε, κατά προτίμηση σε σημεία σιωπής