Αυτόματη μετάφραση
Σε αυτήν τη σελίδα
Μάθημα αναθεωρημένο στις 3 Νοεμβρίου 2026. Προηγουμένως βασιζόταν στο τελικό σημείο
/v1/audio/translationsκαι στο μοντέλοwhisper-1, τα οποία έχουν καταργηθεί και διακοπεί οριστικά στις 26 Φεβρουαρίου 2027, καθώς και σε μια επαναχρησιμοποιημένη συνεδρία βοηθού Realtime που λειτουργούσε ως διερμηνέας. Η OpenAI προσφέρει πλέον δύο διαδρομές: για ηχογραφήσεις, απομαγνητοφώνηση στην αρχική γλώσσα με τοgpt-transcribe, ακολουθούμενη από μετάφραση κειμένου· για ζωντανή ομιλία, μια αφιερωμένη συνεδρία μετάφρασης με τοgpt-realtime-translate. Ο κώδικας έχει επαληθευτεί με το SDKopenai3.42.1 και τη βιβλιοθήκηwebsocket-client. Πηγές: Μεταγραφή αρχείου · Μετάφραση σε πραγματικό χρόνο · Καταργήσεις.
Δύο ανάγκες, δύο εργαλεία
Η μετάφραση ήχου καλύπτει δύο πολύ διαφορετικά σενάρια και η OpenAI τα διαχειρίζεται με διαφορετικά εργαλεία:
| Ανάγκη | Εργαλείο από τον Νοέμβριο του 2026 | Αποτέλεσμα |
|---|---|---|
| Ηχογράφηση προς μετάφραση (σύσκεψη, podcast, αρχειοθετημένη κλήση) | gpt-transcribe για απομαγνητοφώνηση στην αρχική γλώσσα, έπειτα ένα μοντέλο κειμένου για μετάφραση | Μεταφρασμένο κείμενο στη γλώσσα στόχο σας |
| Ζωντανή ομιλία προς διερμηνεία (κλήση, συνέδριο, μάθημα) | Συνεδρία μετάφρασης σε πραγματικό χρόνο με gpt-realtime-translate | Μεταφρασμένος ήχος και απομαγνητοφωνήσεις, παραγόμενα καθώς εκφωνείται η ομιλία |
Παλιά διαδρομή: /v1/audio/translations με whisper-1 | Καταργήθηκε, διακόπηκε στις 26 Φεβρουαρίου 2027 | Μόνο κείμενο στα Αγγλικά |
Ο οδηγός της OpenAI τονίζει ένα σημείο: η απλή αλλαγή του αναγνωριστικού μοντέλου σε ένα αίτημα /v1/audio/translations δεν επιφέρει καμία μετάβαση. Το παλιό τελικό σημείο, το οποίο μπορούσε να μεταφράσει μόνο στα Αγγλικά, δεν έχει άμεσο αντικαταστάτη.
Μετάφραση μιας ηχογράφησης
Αυτή η μέθοδος πρώτα απομαγνητοφωνεί πιστά στην ομιλούμενη γλώσσα και έπειτα μεταφράζει το κείμενο. Λειτουργεί για οποιαδήποτε γλώσσα στόχο—σε αντίθεση με το παλιό τελικό σημείο που παρήγαγε μόνο Αγγλικά—και σας παρέχει και τα δύο κείμενα, κάτι που είναι χρήσιμο για επαλήθευση:
from openai import OpenAI
client = OpenAI()
def translate_recording(path: str, target_language: str) -> dict[str, str]:
"""Απομαγνητοφωνεί μια ηχογράφηση στην αρχική της γλώσσα και έπειτα μεταφράζει το κείμενο."""
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"Μετάφρασε το κείμενο που παρέχει ο χρήστης στα {target_language}. "
"Διατήρησε τον τόνο και το ύφος. Απάντησε μόνο με τη μετάφραση."
),
input=transcription.text,
)
return {"original": transcription.text, "translation": response.output_text}
result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])
Δύο επιλογές αξίζουν εξήγηση. Η οδηγία μετάφρασης τοποθετείται στο πεδίο instructions, ενώ η απομαγνητοφώνηση φτάνει ως απλά δεδομένα στο input: μια ηχογράφηση μπορεί να περιέχει οτιδήποτε, συμπεριλαμβανομένης μιας φράσης που μοιάζει με εντολή, και δεν πρέπει να έχει τη δυνατότητα να τροποποιήσει την οδηγία. Το μοντέλο gpt-6-luna είναι αυτό που προτείνει η OpenAI για επεξεργασία μεγάλης κλίμακας με ευαισθησία στο κόστος· για ευαίσθητα νομικά ή τεχνικά κείμενα, επιλέξτε ένα πιο ικανό μοντέλο, όπως το gpt-6.1-sol.
Διερμηνεία ζωντανής ομιλίας
Για να μεταφράζετε ενώ κάποιος μιλά, η OpenAI προσφέρει έναν ειδικό τύπο συνεδρίας Realtime. Ο οδηγός τη διακρίνει σαφώς από μια συνεδρία φωνητικού βοηθού:
| Συνεδρία φωνητικού βοηθού | Συνεδρία μετάφρασης |
|---|---|
Συνδέεται στο /v1/realtime | Συνδέεται στο /v1/realtime/translations |
| Το μοντέλο λειτουργεί ως βοηθός | Το μοντέλο λειτουργεί ως διερμηνέας |
Κύκλος συνομιλίας και απόκρισης (response.create) | Συνεχής ροή από εισερχόμενο ήχο, χωρίς response.create |
| Μπορεί να καλέσει εργαλεία | Παράγει μεταφρασμένο ήχο και απομαγνητοφωνήσεις |
Η μεταφορά εξαρτάται από το πού φτάνει ο ήχος. Σε έναν περιηγητή, το WebRTC στέλνει την είσοδο του μικροφώνου και λαμβάνει τη μεταφρασμένη φωνή ως κομμάτια ήχου· ο διακομιστής σας δημιουργεί ένα βραχύβιο μυστικό πελάτη για αυτό μέσω του /v1/realtime/translations/client_secrets, ώστε το κλειδί API σας να μην εγκαταλείψει ποτέ τον διακομιστή. Στην πλευρά του διακομιστή, όταν ο ήχος φτάνει ήδη ωμός (ροή τηλεφώνου, σύλληψη), αρκεί μια σύνδεση WebSocket:
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", # hashed identifier of your user
],
)
# Γλώσσα εξόδου του διερμηνέα
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))
def send_audio(pcm16: bytes) -> None:
"""Προσθέτει ένα τμήμα του αρχικού ήχου: 16-bit PCM, mono, 24 kHz."""
ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))
Ενώ στέλνετε τον ήχο, συμπεριλαμβανομένων των σιγών, η συνεδρία επιστρέφει συμβάντα για επεξεργασία εν κινήσει: το session.output_audio.delta μεταφέρει τον μεταφρασμένο ήχο σε base64, το session.output_transcript.delta το μεταφρασμένο κείμενο και το session.input_transcript.delta την απομαγνητοφώνηση του πρωτοτύπου. Όταν η πηγή σταματήσει, στείλτε session.close: η υπηρεσία ολοκληρώνει την τρέχουσα μετάφραση και έπειτα αποκρίνεται με 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"Σφάλμα μετάφρασης: {event['error']['code']}")
elif event["type"] == "session.closed":
break
ws.close()
print("".join(translation))
Μην παραβλέπετε το συμβάν error: ένα απορριφθέν κλειδί δεν αποτυγχάνει την ίδια τη σύνδεση· φτάνει αμέσως μετά ως συμβάν error με κωδικό invalid_api_key (παρατηρήθηκε στις 3 Νοεμβρίου 2026). Στην παραγωγή, η λήψη εκτελείται παράλληλα με την αποστολή, σε ξεχωριστό νήμα ή εργασία, και ο μεταφρασμένος ήχος κατευθύνεται στον player ή στη τηλεφωνική γραμμή καθώς φτάνει: ο επίσημος οδηγός παρέχει μια πλήρη έκδοση, συμπεριλαμβανομένης της αναπαραγωγής ήχου.
Βασικά σημεία
- Τα
/v1/audio/translationsκαιwhisper-1έκλεισαν στις 26 Φεβρουαρίου 2027, χωρίς άμεσο αντικαταστάτη: η αλλαγή του μοντέλου δεν αρκεί - Για ηχογράφηση:
gpt-transcribeστην αρχική γλώσσα, έπειτα μετάφραση κειμένου από ένα μοντέλο κειμένου, σε οποιαδήποτε γλώσσα - Διατηρήστε την οδηγία μετάφρασης στο
instructionsκαι την απομαγνητοφώνηση ως απλά δεδομένα - Για ζωντανή ομιλία: μια συνεδρία μετάφρασης (
/v1/realtime/translations,gpt-realtime-translate), η οποία λειτουργεί ως διερμηνέας, χωρίςresponse.create - WebRTC στον περιηγητή, με μυστικό πελάτη που δημιουργείται από τον διακομιστή· WebSocket στην πλευρά του διακομιστή, με ήχο 16-bit PCM στα 24 kHz