Ir al contenido principal
Español— Elegir un idioma
Menú

Traducción automática

Lección 8 de 18 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Dos necesidades, dos herramientas
  2. Traducir una grabación
  3. Interpretar habla en directo
  4. Puntos clave

Lección reescrita el 3 de noviembre de 2026. Anteriormente dependía del punto de conexión /v1/audio/translations y del modelo whisper-1, ambos obsoletos y discontinuados el 26 de febrero de 2027, así como de una sesión de asistente en tiempo real reutilizada como intérprete. OpenAI ofrece ahora dos vías: para grabaciones, transcripción en el idioma original con gpt-transcribe, seguida de traducción del texto; para habla en directo, una sesión de traducción dedicada con gpt-realtime-translate. El código se ha verificado con el SDK openai 3.42.1 y la librería websocket-client. Fuentes: Transcripción de archivos · Traducción en tiempo real · Obsolescencias.

Dos necesidades, dos herramientas

La traducción de audio abarca dos escenarios muy distintos, y OpenAI los gestiona con herramientas diferentes:

NecesidadHerramienta a partir de noviembre de 2026Resultado
Una grabación que traducir (reunión, pódcast, llamada archivada)gpt-transcribe para transcribir en el idioma original, luego un modelo de texto para traducirTexto traducido en tu idioma de destino
Habla en directo que interpretar (llamada, conferencia, clase)Sesión de traducción en tiempo real con gpt-realtime-translateAudio y transcripciones traducidos, generados conforme se produce el habla
Vía heredada: /v1/audio/translations con whisper-1Obsoleto, discontinuado el 26 de febrero de 2027Solo texto en inglés

La guía de OpenAI insiste en un punto: simplemente cambiar el ID del modelo en una petición a /v1/audio/translations no migra nada. El antiguo punto de conexión, que solo podía traducir al inglés, no tiene un sustituto directo.

Traducir una grabación

Este método primero transcribe fielmente en el idioma hablado y luego traduce el texto. Funciona para cualquier idioma de destino —a diferencia del antiguo punto de conexión, que solo producía inglés— y te proporciona ambos textos, lo cual resulta útil para la verificación:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Transcribe una grabación en su idioma original y luego traduce el texto."""
    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"Traduce el texto proporcionado por el usuario al {target_language}. "
            "Mantén el tono y el estilo. Responde solo con la traducción."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


result = translate_recording("reunion_fr.mp3", "German")
print(result["translation"])

Dos decisiones merecen una explicación. La instrucción de traducción va en instructions, mientras que la transcripción llega como datos puros en input: una grabación puede contener cualquier cosa, incluida una frase que parezca un comando, y no debe poder modificar la instrucción. El modelo gpt-6-luna es el que OpenAI recomienda para el procesamiento a gran escala y sensible al coste; para textos legales o técnicos delicados, elige un modelo más capaz, como gpt-6.1-sol.

Interpretar habla en directo

Para traducir mientras alguien habla, OpenAI ofrece un tipo especial de sesión en tiempo real. La guía la distingue claramente de una sesión de agente de voz:

Sesión de agente de vozSesión de traducción
Se conecta a /v1/realtimeSe conecta a /v1/realtime/translations
El modelo actúa como asistenteEl modelo actúa como intérprete
Ciclo de conversación y respuesta (response.create)Flujo continuo desde el audio entrante, sin response.create
Puede llamar a herramientasProduce audio y transcripciones traducidos

El transporte depende de dónde llegue el audio. En un navegador, WebRTC envía la entrada del micrófono y recibe la voz traducida como pistas de audio; tu servidor crea un secreto de cliente de corta duración para esto mediante /v1/realtime/translations/client_secrets, de modo que tu clave de API nunca abandone el servidor. En el lado del servidor, cuando el audio ya llega en bruto (un flujo telefónico, una captura), basta con una conexión 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",  # identificador hash de tu usuario
    ],
)

# Idioma de salida del intérprete
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Añade un fragmento de audio de origen: PCM de 16 bits, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Mientras envías el audio, incluidos los silencios, la sesión devuelve eventos para procesar sobre la marcha: session.output_audio.delta contiene el audio traducido en base64, session.output_transcript.delta el texto traducido y session.input_transcript.delta la transcripción del original. Cuando la fuente se detiene, envía session.close: el servicio finaliza la traducción actual y luego responde con 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"Error de traducción: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

No descuides el evento error: una clave rechazada no falla la conexión en sí misma; llega justo después como un evento error con el código invalid_api_key (observado el 3 de noviembre de 2026). En producción, la recepción se ejecuta en paralelo con el envío, en un hilo o tarea separada, y el audio traducido se envía al reproductor o a la línea telefónica conforme llega: la guía oficial proporciona una versión completa, incluida la reproducción de audio.

Puntos clave

  • /v1/audio/translations y whisper-1 se cerrarán el 26 de febrero de 2027, sin sustituto directo: cambiar el modelo no es suficiente
  • Para una grabación: gpt-transcribe en el idioma original, luego traducción del texto mediante un modelo de texto, a cualquier idioma
  • Mantén la instrucción de traducción en instructions y la transcripción como datos puros
  • Para habla en directo: una sesión de traducción (/v1/realtime/translations, gpt-realtime-translate), que actúa como intérprete, sin response.create
  • WebRTC en el navegador, con un secreto de cliente creado por el servidor; WebSocket en el lado del servidor, con audio PCM de 16 bits a 24 kHz