Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Helifaili transkribeerimine: gpt-transcribe ja Whisper

Õppetund 6 / 18 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Salvestise transkribeerimine
  2. Millist mudelit valida novembris 2026
  3. Esimene transkriptsioon
  4. Anna mudelile kontekst
  5. Jälgi transkriptsiooni reaalajas
  6. Ajatemplid ja subtiitrid: whisper-1 kuni 26. veebruarini 2027
  7. Pikad failid
  8. Peamised punktid

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 mudelit gpt-transcribe. Siiski ei paku gpt-transcribe ajatempleid, SRT ega VTT subtiitreid ega vastust formaadis verbose_json. Nende konkreetsete vajaduste jaoks on whisper-1 kuni selle kasutusest kõrvaldamiseni ainus võimalus. Eelnev kood käitles segmente sõnastikena (segment["start"]), mis põhjustab Pythoni SDK-ga töötades vea TypeError; tegemist on objektidega (segment.start). Iga väljakutset on kontrollitud SDK openai versiooniga 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

MudelStaatusPõhipunktid
gpt-transcribeSoovitatavKontekst (prompt), märksõnad (keywords), oodatavad keeled (languages), voogedastusega transkriptsioon; 0,0045 $ minuti kohta
whisper-1Aegunud, kasutusest kõrvaldatakse 26. veebruaril 2027Ainuke mudel, mis pakub ajatempleid, verbose_json, SRT ja VTT vorminguid ning tõlkimist inglise keelde
gpt-4o-transcribe, gpt-4o-mini-transcribeAegunud, kasutusest kõrvaldatakse 26. veebruaril 2027Asendatud mudeliga gpt-transcribe
gpt-4o-transcribe-diarizeAegunud, kasutusest kõrvaldatakse 26. veebruaril 2027Kõnelejate 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)
  • prompt kirjeldab konteksti ühe lausega salvestise keeles. See ei ole süsteemi juhend, vaid vihje, mis suunab äratundmist.
  • keywords loetleb termineid, mida tuleb ära tunda. Sisesta üks märksõna kirje kohta, ilma sümboliteta <, > või reavahetusteta: API lükkab kogu päringu tagasi, kui leiab neist mõne.
  • languages määrab oodatavad keeled, kasutades ISO 639-1 koode (fr, en, es…). See asendab vanemate mudelite parameetri language: 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-transcribe on soovitatav mudel failide transkribeerimiseks; whisper-1 ja gpt-4o-*-transcribe lõpetatakse 26. veebruaril 2027
  • prompt, keywords ja languages (mitte enam language) suunavad terminite ja keelte äratundmist
  • stream=True tagastab transkriptsiooni jooksvana (transcript.text.delta), ilma Realtime seansita
  • Ajatemplid, verbose_json, SRT ja VTT on olemas ainult whisper-1 puhul kuni selle kasutusest kõrvaldamiseni; loe segmente objektidena (segment.start)
  • Maksimaalselt 25 MB faili kohta: tihenda või jaga, eelistatult vaikuse kohalt