Helifaili transkribeerimine: gpt-transcribe ja Whisper
Sellel lehel
Õppetund kirjutati ümber 3. novembril 2026. See juhend käsitles varem mudelit
whisper-1, mis on aegunud ja lõpetatakse 26. veebruaril 2027. OpenAI failide transkribeerimise juhend soovitab nüüd kasutada mudelitgpt-transcribe. Siiski ei pakugpt-transcribeajatempleid, SRT ega VTT subtiitreid ega vastust formaadisverbose_json. Nende konkreetsete vajaduste jaoks onwhisper-1kuni selle kasutusest kõrvaldamiseni ainus võimalus. Eelnev kood käitles segmente sõnastikena (segment["start"]), mis põhjustab Pythoni SDK-ga töötades veaTypeError; tegemist on objektidega (segment.start). Iga väljakutset on kontrollitud SDKopenaiversiooniga 3.42.1. Allikad: File transcription · Create transcription · GPT-Transcribe · Deprecations.
Salvestise transkribeerimine
Failide transkribeerimine lahendab kõige levinuma kasutusjuhu: sul on valmis salvestis (koosolek, podkast, häälteade) ja vajad selle teksti. Saadad faili lõpp-punkti /v1/audio/transcriptions ja saad vastu transkriptsiooni. Helisalvestiste puhul, mis saabuvad reaalajas, näiteks mikrofonist või kõnest, on õige lähenemine otsetranskriptsioon Realtime API kaudu, mida käsitletakse selles kursuses hiljem.
Faili suurus peab olema maksimaalselt 25 MB ja see peab olema ühes järgmistest formaatidest: mp3, mp4, mpeg, mpga, m4a, wav või webm.
Millist mudelit valida novembris 2026
| Mudel | Staatus | Põhipunktid |
|---|---|---|
gpt-transcribe | Soovitatav | Kontekst (prompt), märksõnad (keywords), oodatavad keeled (languages), voogedastusega transkriptsioon; 0,0045 $ minuti kohta |
whisper-1 | Aegunud, kasutusest kõrvaldatakse 26. veebruaril 2027 | Ainuke mudel, mis pakub ajatempleid, verbose_json, SRT ja VTT vorminguid ning tõlkimist inglise keelde |
gpt-4o-transcribe, gpt-4o-mini-transcribe | Aegunud, kasutusest kõrvaldatakse 26. veebruaril 2027 | Asendatud mudeliga gpt-transcribe |
gpt-4o-transcribe-diarize | Aegunud, kasutusest kõrvaldatakse 26. veebruaril 2027 | Kõnelejate tuvastamine (diarized_json) |
Esimene transkriptsioon
from openai import OpenAI
client = OpenAI()
with open("recording.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
)
print(transcription.text)
Vaikimisi on vastuseks JSON-objekt: transcription.text sisaldab teksti ja transcription.languages loetleb keeled, mida mudel tuvastas piisava kindlusega (tühi loend, kui ühtegi keelt ei õnnestunud tuvastada).
Anna mudelile kontekst
Koosoleku salvestis on täis pärisnimesid, lühendeid ja sisetermineid, mida mudelil pole põhjust teada. gpt-transcribe aktsepteerib kolme vihjet, mida saad kombineerida:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
prompt="Juhtkonna koosolek Corsen AI projekti ja lepingu AC-42 teemal.",
keywords=["Corsen AI", "AC-42", "GDPR"],
languages=["fr", "en"],
)
print(transcription.text)
promptkirjeldab konteksti ühe lausega salvestise keeles. See ei ole süsteemi juhend, vaid vihje, mis suunab äratundmist.keywordsloetleb termineid, mida tuleb ära tunda. Sisesta üks märksõna kirje kohta, ilma sümboliteta<,>või reavahetusteta: API lükkab kogu päringu tagasi, kui leiab neist mõne.languagesmäärab oodatavad keeled, kasutades ISO 639-1 koode (fr,en,es…). See asendab vanemate mudelite parameetrilanguage: ära kunagi saada mõlemat korraga.
Jälgi transkriptsiooni reaalajas
Pikkade failide puhul pole vaja lõpuni oodata, et algust kuvada. Kasutades stream=True, tagastab API sündmused töötlemise käigus, ilma et oleks vaja Realtime seanssi:
with open("meeting.mp3", "rb") as audio_file:
stream = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
stream=True,
)
for event in stream:
if event.type == "transcript.text.delta":
print(event.delta, end="", flush=True)
elif event.type == "transcript.text.done":
print() # täielik transkriptsioon on event.text-is
Ajatemplid ja subtiitrid: whisper-1 kuni 26. veebruarini 2027
OpenAI juhend ütleb selgesõnaliselt: selle näited sõna-tasemel ajatemplite, subtiitrite ja kõnelejate tuvastamise kohta tuginevad aegunud mudelitele. Kui vajad neid funktsioone, on whisper-1 kättesaadav kuni 26. veebruarini 2027 ja see on ainus mudel, mis aktsepteerib parameetreid verbose_json ja timestamp_granularities:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file,
response_format="verbose_json",
timestamp_granularities=["segment"],
)
for segment in transcription.segments or []:
print(f"[{segment.start:.1f}s - {segment.end:.1f}s] {segment.text.strip()}")
Segmendid on SDK objektid: loe segment.start, mitte segment["start"]. Kasutades timestamp_granularities=["word"], ilmuvad sõna-tasemel ajatemplid välja transcription.words, kuid see toob kaasa veidi suurema latentsuse. Sama mudel genereerib ka kohe kasutatavaid subtiitreid: kasutades response_format="srt" või "vtt", tagastab SDK subtiitrite faili teksti otse.
Juhend ei ole veel nimetanud nende funktsioonide asendajat. Kui sinu toode sõltub ajatemplitest või subtiitritest, planeeri lahendus enne 26. veebruari 2027.
Pikad failid
Failide puhul, mis on suuremad kui 25 MB, tihenda heli või jaga see osadeks. Dokumentatsioon soovitab vältida lõikamist keset lauset, kuna see kaotab konteksti, ja pakub jagamiseks raamatukogu pydub (OpenAI ei garanteeri seda kolmanda osapoole tarkvara). Eelmise tüki lõpu edastamine parameetris prompt aitab mudelil säilitada järjepidevust – see on parameetri kasutusviis, mida juhendis mainitakse:
from pydub import AudioSegment
def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
"""Transkribeerib pika salvestise 10-minutiliste tükkidena."""
audio = AudioSegment.from_file(path)
texts: list[str] = []
for i, start in enumerate(range(0, len(audio), duration_ms)):
chunk = f"chunk_{i}.mp3"
audio[start:start + duration_ms].export(chunk, format="mp3")
options = {"prompt": texts[-1][-500:]} if texts else {} # järjepidevus
with open(chunk, "rb") as f:
result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
texts.append(result.text)
return " ".join(texts)
Fikseeritud kestusega tükeldamine lõikab mõnikord lause pooleli: viimistletud tulemuse jaoks jaga fail vaikuse kohalt.
Peamised punktid
gpt-transcribeon soovitatav mudel failide transkribeerimiseks;whisper-1jagpt-4o-*-transcribelõpetatakse 26. veebruaril 2027prompt,keywordsjalanguages(mitte enamlanguage) suunavad terminite ja keelte äratundmiststream=Truetagastab transkriptsiooni jooksvana (transcript.text.delta), ilma Realtime seansita- Ajatemplid,
verbose_json, SRT ja VTT on olemas ainultwhisper-1puhul kuni selle kasutusest kõrvaldamiseni; loe segmente objektidena (segment.start) - Maksimaalselt 25 MB faili kohta: tihenda või jaga, eelistatult vaikuse kohalt