Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Υποστηριζόμενες μορφές και γλώσσες

Μάθημα 7 / 18 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Υποστηριζόμενες μορφές και γλώσσες
  2. Υποστηριζόμενες μορφές ήχου
  3. Υποστηριζόμενες γλώσσες
  4. Διαχείριση πολύγλωσσου περιεχομένου
  5. Τιμολόγηση
  6. Βασικά σημεία

Ενημέρωση 2 Νοεμβρίου 2026 — Μοντέλα ήχου. Αρκετά μοντέλα σε αυτό το μάθημα έχουν καταργηθεί: τα tts-1, tts-1-hd και gpt-4o-mini-tts θα απενεργοποιηθούν στις 6 Ιανουαρίου 2027 (η υποδεικνυόμενη αντικατάσταση είναι το gpt-realtime-2.1-mini, το οποίο ο οδηγός OpenAI TTS αναφέρει ότι δεν υποστηρίζεται από το /v1/audio/speech: η μετάβαση στη σύνθεση ομιλίας μεταφέρεται στο Realtime API)· τα gpt-realtime, gpt-4o-realtime και τα παλαιότερα μοντέλα ήχου στις 20 Ιανουαρίου 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5)· τα whisper-1, gpt-4o-transcribe και το /v1/audio/translations στις 26 Φεβρουαρίου 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Για αμφίδρομη ομιλία πλήρους duplex, το GPT-Live 1 είναι διαθέσιμο στο API από τις 10 Σεπτεμβρίου 2026. Διόρθωση μαθήματος 3 Νοεμβρίου 2026: τα παραδείγματα ενημερώθηκαν από whisper-1 σε gpt-transcribe (χρησιμοποιώντας την παράμετρο languages), διορθώθηκε ο αριθμός γλωσσών του Whisper (98, όχι «πάνω από 50», σύμφωνα με τον οδηγό File transcription), η μέθοδος δύο περασμάτων για πολύγλωσσο περιεχόμενο αντικαταστάθηκε από τις υποδείξεις γλώσσας του gpt-transcribe, και επικαιροποιήθηκαν οι πηγές τιμολόγησης. Πηγές: File transcription · GPT-Transcribe · Create transcription.

Υποστηριζόμενες μορφές και γλώσσες

Τα μοντέλα μεταγραφής της OpenAI δέχονται ένα ευρύ φάσμα μορφών ήχου και υποστηρίζουν δεκάδες γλώσσες. Η επιλογή της κατάλληλης μορφής εισόδου και η σωστή διαμόρφωση της γλώσσας επηρεάζουν άμεσα την ποιότητα της μεταγραφής και το κόστος. Αυτό το μάθημα αναλύει τις διαθέσιμες επιλογές και τις βέλτιστες πρακτικές.

Υποστηριζόμενες μορφές ήχου

Σύμφωνα με την αναφορά API, το endpoint μεταγραφής δέχεται τις μορφές flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav και webm, υπό την προϋπόθεση ότι το όνομα του αρχείου περιλαμβάνει τη σωστή επέκταση. Οι πιο συνηθισμένες είναι:

Μορφή Επέκταση Συμπίεση Προτεινόμενη χρήση
MP3 .mp3 Με απώλειες, καλός λόγος Podcasts, ηχογραφήσεις φωνής
MP4 / M4A .mp4, .m4a AAC με απώλειες Βίντεο, ηχογραφήσεις από κινητά
WAV .wav Ασυμπίεστο Ηχογραφήσεις στούντιο
WebM .webm Opus με απώλειες Ηχογραφήσεις από browser
FLAC .flac Χωρίς απώλειες Μέγιστη ποιότητα χωρίς απώλειες
OGG .ogg Vorbis/Opus Εφαρμογές ανοιχτού κώδικα

Το μέγιστο μέγεθος αρχείου είναι 25 MB. Για ένα αρχείο MP3 στα 128 kbps, αυτό αντιστοιχεί σε περίπου 25 λεπτά ήχου. Για ασυμπίεστο WAV, το χρονικό όριο είναι σημαντικά μικρότερο.

Βελτιστοποίηση μεγέθους αρχείου

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Μετατρέπει ένα αρχείο ήχου σε ελαφρύ MP3, επαρκές για ομιλία."""
    audio = AudioSegment.from_file(input_path)

    # Μετατροπή σε mono 16kHz (επαρκές για ομιλία)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Εξαγωγή ως MP3 64kbps (καλός συμβιβασμός ποιότητας/μεγέθους για φωνή)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Υποστηριζόμενες γλώσσες

Το whisper-1 καλύπτει 98 γλώσσες, με την ακρίβεια να ποικίλλει ανά γλώσσα. Το gpt-transcribe εντοπίζει αυτόματα τη γλώσσα· αν γνωρίζετε ποιες γλώσσες αναμένετε, καθορίστε τις στην παράμετρο languages: κωδικοί ISO 639-1 (fr, en, es…), ορισμένοι κωδικοί ISO 639-3 (eng, spa, yue, cmn) και περιφερειακές παραλλαγές των Κινεζικών (zh-cn, zh-tw, zh-hk). Ένας μη υποστηριζόμενος ή εσφαλμένος κωδικός θα προκαλέσει αποτυχία του αιτήματος.

# Αυτόματος εντοπισμός (προεπιλογή)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # γλώσσες που αναγνωρίστηκαν με επαρκή βεβαιότητα

# Αναμενόμενες γλώσσες
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

Η παράμετρος languages είναι λίστα και αφορά συγκεκριμένα το gpt-transcribe· τα παλαιότερα μοντέλα δέχονται μία μόνο γλώσσα στην παράμετρο language. Μην στέλνετε ποτέ και τις δύο ταυτόχρονα.

Συχνές ευρωπαϊκές γλώσσες

Οι πιο συχνά χρησιμοποιούμενοι κωδικοί ISO 639-1 στην Ευρώπη:

EUROPEAN_LANGUAGES = {
    "fr": "French",
    "en": "English",
    "de": "German",
    "es": "Spanish",
    "it": "Italian",
    "pt": "Portuguese",
    "nl": "Dutch",
    "pl": "Polish",
    "ro": "Romanian",
    "sv": "Swedish",
    "da": "Danish",
    "fi": "Finnish",
    "el": "Greek",
    "cs": "Czech",
    "hu": "Hungarian",
    "bg": "Bulgarian",
    "hr": "Croatian",
    "sk": "Slovak",
    "sl": "Slovenian",
    "et": "Estonian",
    "lv": "Latvian",
    "lt": "Lithuanian",
}

Διαχείριση πολύγλωσσου περιεχομένου

Σε μια διεθνή συνάντηση, η ομιλία εναλλάσσεται μεταξύ γλωσσών. Το gpt-transcribe έχει σχεδιαστεί για αυτή την περίπτωση: η κάρτα του μοντέλου αναφέρει υποστήριξη για πολλαπλές υποδείξεις γλώσσας, πολύγλωσσο ήχο και εναλλαγή κώδικα (code-switching) μέσα στην ίδια πρόταση. Παρέχετε όλες τις αναμενόμενες γλώσσες σε ένα μόνο πέρασμα:

with open("international-meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=f,
        languages=["fr", "en", "de"],
    )

print(result.text)
print("Αναγνωρισμένες γλώσσες:", result.languages)

Η παλιά μέθοδος δύο περασμάτων, η οποία εντόπιζε την κυρίαρχη γλώσσα με το whisper-1 σε λειτουργία verbose_json και στη συνέχεια επαναμετέγραφε επιβάλλοντας εκείνη τη γλώσσα, δεν είναι πλέον απαραίτητη: επέβαλλε μία μόνο γλώσσα σε όλη την ηχογράφηση και το whisper-1 θα απενεργοποιηθεί στις 26 Φεβρουαρίου 2027.

Τιμολόγηση

Η μεταγραφή χρεώνεται με βάση τη διάρκεια του επεξεργασμένου ήχου: $0.0045 ανά λεπτό με το gpt-transcribe, σύμφωνα με την κάρτα του μοντέλου (Νοέμβριος 2026). Επομένως, η μορφή του αρχείου δεν επηρεάζει το κόστος· μετράει μόνο η διάρκεια.

Για τη μείωση του κόστους σε μεγάλους όγκους:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Αφαιρεί τη σιωπή για τη μείωση της χρεώσιμης διάρκειας."""
    audio = AudioSegment.from_file(file_path)

    # Αφαίρεση σιωπών μεγαλύτερων από 1 δευτερόλεπτο
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Διατήρηση 200ms σιωπής για αναγνωσιμότητα
    )

    if not chunks:
        return file_path

    combined = chunks[0]
    for chunk in chunks[1:]:
        combined += chunk

    output_path = "/tmp/optimized_audio.mp3"
    combined.export(output_path, format="mp3", bitrate="64k")
    return output_path

Βασικά σημεία

  • Το endpoint μεταγραφής δέχεται FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV και WebM, με όριο 25 MB ανά αρχείο
  • Με το gpt-transcribe, η λίστα languages καθορίζει τις αναμενόμενες γλώσσες· η απόκριση επιστρέφει τις αναγνωρισμένες γλώσσες
  • Το MP3 mono στα 16 kHz και 64 kbps προσφέρει τον καλύτερο συμβιβασμό ποιότητας/μεγέθους για φωνή
  • Η χρέωση γίνεται ανά λεπτό ήχου: η αφαίρεση της σιωπής μειώνει το κόστος
  • Για πολύγλωσσο περιεχόμενο, ένα μόνο πέρασμα με όλες τις αναμενόμενες γλώσσες στην παράμετρο languages αντικαθιστά την παλιά μέθοδο δύο περασμάτων