Optimizar la calidad de la transcripción
En esta página
Actualización 2 de noviembre de 2026 — Modelos de audio. Varios modelos de este curso están obsoletos:
tts-1,tts-1-hdygpt-4o-mini-ttsdejarán de funcionar el 6 de enero de 2027 (el reemplazo indicado esgpt-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 pasa a la Realtime API);gpt-realtime,gpt-4o-realtimey los modelos de audio herederos el 20 de enero de 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribey/v1/audio/translationsel 26 de febrero de 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Para voz a dúplex completo, GPT-Live 1 está disponible en la API desde el 10 de septiembre de 2026. Lección actualizada el 3 de noviembre de 2026: los ejemplos se han cambiado agpt-transcribe(prompt,keywords,languages), el modelo recomendado por OpenAI; la temperatura 0 no es una elección de «siempre la más probable»: según la referencia de la API, el modelo ajusta entonces la temperatura por sí mismo en pasos. Fuentes: Transcripción de archivos · Crear transcripción.
Optimizar la calidad de la transcripción
Whisper produce transcripciones excelentes de forma predeterminada, pero varias técnicas pueden mejorar significativamente la calidad, especialmente en casos difíciles: ruido de fondo, acentos regionales, vocabulario técnico y nombres propios. Esta lección cubre parámetros avanzados y estrategias de posprocesamiento.
El parámetro prompt
El contexto es tu principal palanca para mejorar la calidad. Con gpt-transcribe, el modelo que recomienda OpenAI, el contexto se transmite a través de tres parámetros: prompt (una frase de contexto en el idioma del audio), keywords (términos que debe reconocer) y languages (idiomas esperados).
# Sin contexto, los nombres de productos corren el riesgo de transcribirse mal
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
# Con contexto y palabras clave
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
prompt="Reunión técnica de Corsen AI sobre agentes de voz.",
keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)
Mejores prácticas para el prompt
- Enumera los nombres propios: personas, empresas, productos
- Incluye jerga técnica: acrónimos, términos específicos del dominio
- Especifica el estilo esperado: puntuación, uso de mayúsculas
- Con
whisper-1, todo pasa por el únicoprompt, limitado a 224 tokens: la guía especifica que Whisper no sigue instrucciones como un modelo de texto, de ahí la utilidad de simplemente enumerar allí las ortografías correctas - Con
gpt-transcribe, coloca los términos enkeywords, uno por entrada, sin<,>ni saltos de línea; de lo contrario, la API rechazará la solicitud
def build_transcription_prompt(context: dict) -> str:
"""Construye un prompt de contexto para la transcripción."""
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": "Reunión técnica sobre agentes de voz"
})
El parámetro temperature
El endpoint acepta un temperature entre 0 y 1, con un valor predeterminado de 0. Contrariamente a una creencia común, el valor 0 no significa «siempre la palabra más probable»: según la referencia de la API, el modelo se basa entonces en sus probabilidades de token para elevar la temperatura por sí mismo en pasos, hasta ciertos umbrales.
En la práctica, deja el valor predeterminado. La documentación de gpt-transcribe hace hincapié en el contexto (prompt, keywords, languages), no en la temperatura; en whisper-1, se puede probar una temperatura ligeramente superior (0,2, por ejemplo) en audio degradado caso por caso.
Preprocesamiento de audio
La calidad del audio de entrada es el factor más decisivo. Invierte en preprocesamiento:
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
def preprocess_audio(input_path: str, output_path: str) -> str:
"""Preprocesa el audio para una transcripción óptima."""
audio = AudioSegment.from_file(input_path)
# 1. Convertir a mono (el estéreo no aporta nada para la voz)
audio = audio.set_channels(1)
# 2. Remuestrear a 16 kHz (suficiente para Whisper)
audio = audio.set_frame_rate(16000)
# 3. Normalizar el volumen
audio = normalize(audio)
# 4. Comprimir el rango dinámico (reduce la diferencia entre fuerte y suave)
audio = compress_dynamic_range(audio)
# 5. Exportar como MP3 a 64 kbps
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Reducción de ruido
Para grabaciones ruidosas, el preprocesamiento con noisereduce mejora significativamente los resultados:
import noisereduce as nr
import soundfile as sf
import numpy as np
def reduce_noise(input_path: str, output_path: str) -> str:
"""Reduce el ruido de fondo antes de la transcripción."""
data, rate = sf.read(input_path)
# Reducción de ruido adaptativa
reduced = nr.reduce_noise(
y=data,
sr=rate,
prop_decrease=0.8, # 80 % de reducción de ruido
stationary=False # Ruido no estacionario (p. ej., cafetería)
)
sf.write(output_path, reduced, rate)
return output_path
Posprocesamiento de la transcripción
Incluso con un buen preprocesamiento, la transcripción en bruto puede requerir correcciones. Usa GPT para el posprocesamiento:
async def post_process_transcription(raw_text: str, context: str) -> str:
"""Corrige y da formato a una transcripción de Whisper."""
response = client.responses.create(
model="gpt-5.6-luna",
input=[
{"role": "system", "content": (
"Eres un corrector de transcripciones. "
"Corrige errores obvios de Whisper sin cambiar el significado. "
"Añade la puntuación que falte. "
"Corrige las mayúsculas en nombres propios y acrónimos. "
"No resumas ni reformules."
)},
{"role": "user", "content": (
f"Contexto: {context}\n\n"
f"Transcripción en bruto:\n{raw_text}"
)}
]
)
return response.output_text
Canalización completa de transcripción
Ensambla todos los pasos en una canalización robusta:
async def transcribe_high_quality(
file_path: str,
language: str = "fr",
speakers: list[str] = None,
technical_terms: list[str] = None
) -> dict:
"""Canalización completa de transcripción de alta calidad."""
# 1. Preprocesamiento
processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")
# 2. Construir contexto: solo parámetros poblados
options = {}
terms = (speakers or []) + (technical_terms or [])
if terms:
options["keywords"] = terms
# 3. Transcribir
with open(processed_path, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=[language],
**options,
)
# 4. Posprocesamiento
context = f"Idioma: {language}, Hablantes: {speakers}"
corrected = await post_process_transcription(result.text, context)
return {
"raw_text": result.text,
"corrected_text": corrected,
"languages": result.languages,
}
Puntos clave
- El contexto es la palanca más eficaz:
prompt,keywordsylanguagescongpt-transcribe; el únicoprompt, limitado a 224 tokens, conwhisper-1 temperaturetiene por defecto 0, y en 0 el modelo ajusta la temperatura por sí mismo si es necesario: deja el valor predeterminado- El preprocesamiento de audio (mono, 16 kHz, normalización, eliminación de ruido) mejora la calidad más que cualquier parámetro de la API
- El posprocesamiento con GPT corrige la puntuación, las mayúsculas y los errores residuales
- Una canalización completa combina preprocesamiento, prompting contextual y posprocesamiento para lograr la máxima calidad