Ir al contenido principal
Español— Elegir un idioma
Menú

Formatos e idiomas compatibles

Lección 7 de 18 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Formatos e idiomas compatibles
  2. Formatos de audio compatibles
  3. Idiomas compatibles
  4. Gestión de contenido multilingüe
  5. Precios
  6. Puntos clave

Actualización 2 de noviembre de 2026 — Modelos de audio. Varios modelos de este curso están obsoletos: tts-1, tts-1-hd y gpt-4o-mini-tts dejarán de funcionar el 6 de enero de 2027 (el sustituto indicado es gpt-realtime-2.1-mini, que la guía de TTS de OpenAI especifica que no es compatible con /v1/audio/speech: la migración de la síntesis de voz se traslada a la API en tiempo real); gpt-realtime, gpt-4o-realtime y los modelos de audio heredados el 20 de enero de 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe y /v1/audio/translations el 26 de febrero de 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Para la voz a dúplex completo, GPT-Live 1 está disponible en la API desde el 10 de septiembre de 2026. Lección corregida el 3 de noviembre de 2026: ejemplos actualizados de whisper-1 a gpt-transcribe (usando el parámetro languages), cifra de idiomas de Whisper corregida (98, no «más de 50», según la guía de Transcripción de archivos), método bilingüe de dos pasadas sustituido por sugerencias de idioma de gpt-transcribe, precios documentados. Fuentes: Transcripción de archivos · GPT-Transcribe · Crear transcripción.

Formatos e idiomas compatibles

Los modelos de transcripción de OpenAI aceptan una amplia variedad de formatos de audio y admiten decenas de idiomas. Elegir el formato de entrada adecuado y configurar correctamente el idioma repercute directamente en la calidad de la transcripción y en los costes. Esta lección detalla las opciones disponibles y las mejores prácticas.

Formatos de audio compatibles

Según la referencia de la API, el endpoint de transcripción acepta los formatos flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav y webm, siempre que el nombre del archivo incluya la extensión correcta. Los más comunes son:

Formato Extensión Compresión Uso recomendado
MP3 .mp3 Con pérdida, buena relación Pódcasts, grabaciones de voz
MP4 / M4A .mp4, .m4a AAC con pérdida Vídeos, grabaciones móviles
WAV .wav Sin compresión Grabaciones de estudio
WebM .webm Opus con pérdida Grabaciones en navegador
FLAC .flac Sin pérdida Máxima calidad sin pérdida
OGG .ogg Vorbis/Opus Aplicaciones de código abierto

El tamaño máximo de archivo es de 25 MB. Para un MP3 a 128 kbps, esto equivale a unos 25 minutos de audio. Para un WAV sin compresión, la duración es significativamente menor.

Optimización del tamaño de archivo

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Convierte un archivo de audio a MP3 ligero, suficiente para voz."""
    audio = AudioSegment.from_file(input_path)

    # Convertir a mono 16 kHz (suficiente para voz)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Exportar como MP3 a 64 kbps (buen compromiso calidad/tamaño para voz)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Idiomas compatibles

whisper-1 cubre 98 idiomas, con una precisión que varía según el idioma. gpt-transcribe detecta el idioma automáticamente; si sabes qué idiomas esperar, especifícalos en languages: códigos ISO 639-1 (fr, en, es…), algunos códigos ISO 639-3 (eng, spa, yue, cmn) y variantes regionales del chino (zh-cn, zh-tw, zh-hk). Un código no admitido o mal formado hará que la solicitud falle.

# Detección automática (predeterminado)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # idiomas reconocidos con suficiente confianza

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

languages es una lista, específica de gpt-transcribe; los modelos antiguos aceptan un único idioma en language. No envíes ambos nunca.

Idiomas europeos comunes

Los códigos ISO 639-1 más utilizados en Europa:

EUROPEAN_LANGUAGES = {
    "fr": "Francés",
    "en": "Inglés",
    "de": "Alemán",
    "es": "Español",
    "it": "Italiano",
    "pt": "Portugués",
    "nl": "Neerlandés",
    "pl": "Polaco",
    "ro": "Rumano",
    "sv": "Sueco",
    "da": "Danés",
    "fi": "Finés",
    "el": "Griego",
    "cs": "Checo",
    "hu": "Húngaro",
    "bg": "Búlgaro",
    "hr": "Croata",
    "sk": "Eslovaco",
    "sl": "Esloveno",
    "et": "Estonio",
    "lv": "Letón",
    "lt": "Lituano",
}

Gestión de contenido multilingüe

Una reunión internacional cambia de idioma. gpt-transcribe está diseñado para este caso: su ficha técnica cita soporte para múltiples sugerencias de idioma, audio multilingüe y cambio de código dentro de una misma frase. Proporciona todos los idiomas esperados en una sola pasada:

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("Idiomas reconocidos:", result.languages)

El antiguo método de dos pasadas, que detectaba el idioma dominante con whisper-1 en modo verbose_json y luego volvía a transcribir forzando ese idioma, ya no es necesario: forzaba un único idioma en toda la grabación y whisper-1 dejará de funcionar el 26 de febrero de 2027.

Precios

La transcripción se factura por la duración del audio procesado: 0,0045 $ por minuto con gpt-transcribe, según su ficha técnica (noviembre de 2026). Por tanto, el formato del archivo no influye en el coste: solo importa la duración.

Para reducir costes en grandes volúmenes:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Elimina silencios para reducir la duración facturada."""
    audio = AudioSegment.from_file(file_path)

    # Eliminar silencios superiores a 1 segundo
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Mantener 200 ms de silencio para legibilidad
    )

    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

Puntos clave

  • El endpoint de transcripción acepta FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV y WebM, con un límite de 25 MB por archivo
  • Con gpt-transcribe, la lista languages especifica los idiomas esperados; la respuesta devuelve los idiomas reconocidos
  • MP3 mono a 16 kHz y 64 kbps ofrece el mejor compromiso calidad/tamaño para voz
  • La facturación es por minuto de audio: eliminar silencios reduce los costes
  • Para contenido multilingüe, una sola pasada con todos los idiomas esperados en languages sustituye al antiguo método de dos pasadas