Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Βελτιστοποίηση της Ποιότητας Μεταγραφής

Μάθημα 9 / 18 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Βελτιστοποίηση της Ποιότητας Μεταγραφής
  2. Η παράμετρος prompt
  3. Η παράμετρος temperature
  4. Προεπεξεργασία ήχου
  5. Μετα-επεξεργασία μεταγραφής
  6. Πλήρης αγωγός μεταγραφής
  7. 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 παύσουν να λειτουργούν στις 6 Ιανουαρίου 2027 (η υποδεικνυόμενη αντικατάσταση είναι το gpt-realtime-2.1-mini, το οποίο ο οδηγός TTS της OpenAI αναφέρει ότι δεν υποστηρίζεται από το /v1/audio/speech: η μετάβαση στη σύνθεση φωνής 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 επικοινωνία πλήρους διπλής κατεύθυνσης (full-duplex), το GPT-Live 1 είναι διαθέσιμο στο API από τις 10 Σεπτεμβρίου 2026. Μάθημα ενημερωμένο στις 3 Νοεμβρίου 2026: τα παραδείγματα μεταφέρθηκαν στο gpt-transcribe (prompt, keywords, languages), το μοντέλο που προτείνει η OpenAI· η θερμοκρασία 0 δεν είναι επιλογή «πάντα της πιο πιθανής λέξης»: σύμφωνα με την αναφορά API, το μοντέλο προσαρμόζει τότε μόνο του τη θερμοκρασία σε βήματα. Πηγές: Μεταγραφή αρχείου · Δημιουργία μεταγραφής.

Βελτιστοποίηση της Ποιότητας Μεταγραφής

Το Whisper παράγει εξαιρετικές μεταγραφές εξ ορισμού, αλλά αρκετές τεχνικές μπορούν να βελτιώσουν σημαντικά την ποιότητα, ειδικά σε δύσκολες περιπτώσεις: θόρυβος υποβάθρου, regional προφορές, τεχνικό λεξιλόγιο και κύρια ονόματα. Αυτό το μάθημα καλύπτει προχωρημένες παραμέτρους και στρατηγικές μετα-επεξεργασίας.

Η παράμετρος prompt

Το συμφραζόμενο είναι ο κύριος μοχλός σας για τη βελτίωση της ποιότητας. Με το gpt-transcribe, το μοντέλο που προτείνει η OpenAI, το συμφραζόμενο περνά μέσω τριών παραμέτρων: prompt (μια πρόταση συμφραζομένων στη γλώσσα του ήχου), keywords (όροι προς αναγνώριση) και languages (αναμενόμενες γλώσσες).

# Χωρίς συμφραζόμενο, τα ονόματα προϊόντων κινδυνεύουν να μεταγραφούν λανθασμένα
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

# Με συμφραζόμενο και λέξεις-κλειδιά
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
    prompt="Τεχνική συνάντηση της Corsen AI για voice agents.",
    keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)

Βέλτιστες πρακτικές για το prompt

  • Καταγράψτε κύρια ονόματα: άτομα, εταιρείες, προϊόντα
  • Συμπεριλάβετε τεχνική ορολογία: ακρώνυμα, όροι ειδικού πεδίου
  • Προσδιορίστε το αναμενόμενο στυλ: στίξη, κεφαλαία/πεζά
  • Με το whisper-1, όλα περνούν από το μοναδικό prompt, περιορισμένο σε 224 tokens: ο οδηγός διευκρινίζει ότι το Whisper δεν ακολουθεί οδηγίες όπως ένα μοντέλο κειμένου, εξ ου και το όφελος της απλής παράθεσης σωστών ορθογραφιών εκεί
  • Με το gpt-transcribe, τοποθετήστε τους όρους στο keywords, έναν ανά καταχώριση, χωρίς <, > ή αλλαγές γραμμής, διαφορετικά το API απορρίπτει το αίτημα
def build_transcription_prompt(context: dict) -> str:
    """Δημιουργεί ένα prompt συμφραζομένων για μεταγραφή."""
    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": "Τεχνική συνάντηση για voice agents"
})

Η παράμετρος temperature

Το endpoint δέχεται μια temperature μεταξύ 0 και 1, με προεπιλογή το 0. Σε αντίθεση με μια κοινή παρεξήγηση, η τιμή 0 δεν σημαίνει «πάντα η πιο πιθανή λέξη»: σύμφωνα με την αναφορά API, το μοντέλο βασίζεται τότε στις πιθανότητες των tokens του για να αυξήσει μόνο του τη θερμοκρασία σε βήματα, έως ορισμένα όρια.

Στην πράξη, αφήστε την προεπιλεγμένη τιμή. Η τεκμηρίωση για το gpt-transcribe τονίζει το συμφραζόμενο (prompt, keywords, languages), όχι τη θερμοκρασία· στο whisper-1, μια ελαφρώς υψηλότερη θερμοκρασία (π.χ. 0,2) μπορεί να δοκιμαστεί σε υποβαθμισμένο ήχο κατά περίπτωση.

Προεπεξεργασία ήχου

Η ποιότητα του ήχου εισόδου είναι ο πιο καθοριστικός παράγοντας. Επενδύστε στην προεπεξεργασία:

from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range

def preprocess_audio(input_path: str, output_path: str) -> str:
    """Προεπεξεργάζεται τον ήχο για βέλτιστη μεταγραφή."""
    audio = AudioSegment.from_file(input_path)

    # 1. Μετατροπή σε mono (το stereo δεν προσφέρει τίποτα για φωνή)
    audio = audio.set_channels(1)

    # 2. Επαναδειγματοληψία στα 16 kHz (επαρκές για το Whisper)
    audio = audio.set_frame_rate(16000)

    # 3. Κανονικοποίηση έντασης
    audio = normalize(audio)

    # 4. Συμπίεση δυναμικού εύρους (μειώνει τη διαφορά δυνατού/ήσυχου)
    audio = compress_dynamic_range(audio)

    # 5. Εξαγωγή ως MP3 64 kbps
    audio.export(output_path, format="mp3", bitrate="64k")
    return output_path

Μείωση θορύβου

Για ηχογραφήσεις με θόρυβο, η προεπεξεργασία με το noisereduce βελτιώνει σημαντικά τα αποτελέσματα:

import noisereduce as nr
import soundfile as sf
import numpy as np

def reduce_noise(input_path: str, output_path: str) -> str:
    """Μειώνει τον θόρυβο υποβάθρου πριν τη μεταγραφή."""
    data, rate = sf.read(input_path)

    # Προσαρμοστική μείωση θορύβου
    reduced = nr.reduce_noise(
        y=data,
        sr=rate,
        prop_decrease=0.8,  # 80% μείωση θορύβου
        stationary=False     # Μη στάσιμος θόρυβος (π.χ. καφετέρια)
    )

    sf.write(output_path, reduced, rate)
    return output_path

Μετα-επεξεργασία μεταγραφής

Ακόμη και με καλή προεπεξεργασία, η ακατέργαστη μεταγραφή μπορεί να απαιτεί διορθώσεις. Χρησιμοποιήστε το GPT για μετα-επεξεργασία:

async def post_process_transcription(raw_text: str, context: str) -> str:
    """Διορθώνει και διαμορφώνει μια μεταγραφή του Whisper."""
    response = client.responses.create(
        model="gpt-5.6-luna",
        input=[
            {"role": "system", "content": (
                "Είσαι διορθωτής μεταγραφών. "
                "Διόρθωσε προφανή λάθη του Whisper χωρίς να αλλάξεις το νόημα. "
                "Πρόσθεσε την ελλείπουσα στίξη. "
                "Διόρθωσε τα κεφαλαία/πεζά για κύρια ονόματα και ακρώνυμα. "
                "Μην κάνεις σύνοψη ή διατύπωση εκ νέου."
            )},
            {"role": "user", "content": (
                f"Συμφραζόμενο: {context}\n\n"
                f"Ακατέργαστη μεταγραφή:\n{raw_text}"
            )}
        ]
    )

    return response.output_text

Πλήρης αγωγός μεταγραφής

Συναρμολογήστε όλα τα βήματα σε έναν robust αγωγό:

async def transcribe_high_quality(
    file_path: str,
    language: str = "fr",
    speakers: list[str] = None,
    technical_terms: list[str] = None
) -> dict:
    """Πλήρης αγωγός μεταγραφής υψηλής ποιότητας."""
    # 1. Προεπεξεργασία
    processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")

    # 2. Δημιουργία συμφραζομένου: μόνο οι συμπληρωμένες παράμετροι
    options = {}
    terms = (speakers or []) + (technical_terms or [])
    if terms:
        options["keywords"] = terms

    # 3. Μεταγραφή
    with open(processed_path, "rb") as f:
        result = client.audio.transcriptions.create(
            model="gpt-transcribe",
            file=f,
            languages=[language],
            **options,
        )

    # 4. Μετα-επεξεργασία
    context = f"Γλώσσα: {language}, Ομιλητές: {speakers}"
    corrected = await post_process_transcription(result.text, context)

    return {
        "raw_text": result.text,
        "corrected_text": corrected,
        "languages": result.languages,
    }

Βασικά σημεία

  • Το συμφραζόμενο είναι ο πιο αποτελεσματικός μοχλός: prompt, keywords και languages με το gpt-transcribe· το μοναδικό prompt, περιορισμένο σε 224 tokens, με το whisper-1
  • Η temperature έχει προεπιλογή το 0, και στο 0 το μοντέλο προσαρμόζει μόνο του τη θερμοκρασία εάν χρειάζεται: αφήστε την προεπιλεγμένη τιμή
  • Η προεπεξεργασία ήχου (mono, 16 kHz, κανονικοποίηση, αφαίρεση θορύβου) βελτιώνει την ποιότητα περισσότερο από οποιαδήποτε παράμετρο API
  • Η μετα-επεξεργασία με GPT διορθώνει τη στίξη, τα κεφαλαία/πεζά και τα υπολειπόμενα λάθη
  • Ένας πλήρης αγωγός συνδυάζει προεπεξεργασία, contextual prompting και μετα-επεξεργασία για μέγιστη ποιότητα