Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Toetatud vormingud ja keeled

Õppetund 7 / 18 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Toetatud vormingud ja keeled
  2. Toetatud helivormingud
  3. Toetatud keeled
  4. Mitmekeelse sisu käsitlemine
  5. Hinnastus
  6. Peamised punktid

Uuendus 2. november 2026 — Helimudelid. Selles kursuses on mitu mudelit aegunud: tts-1, tts-1-hd ja gpt-4o-mini-tts suletakse 6. jaanuaril 2027 (asendajaks on märgitud gpt-realtime-2.1-mini, mille OpenAI TTS-i juhend nimetab mittetoetuks /v1/audio/speech poolt: kõnesünteesi migratsioon liigub Realtime API-le); gpt-realtime, gpt-4o-realtime ja vanad helimudelid 20. jaanuaril 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe ja /v1/audio/translations 26. veebruaril 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Täisdupleks-hääle jaoks on GPT-Live 1 olnud API-s saadaval alates 10. septembrist 2026. Tund parandatud 3. novembril 2026: näited uuendatud whisper-1-lt gpt-transcribe-ile (kasutades parameetrit languages), Whisperi keelte arv korrigeeritud (98, mitte „üle 50“, vastavalt Faili transkriptsiooni juhendile), kaheastmeline mitmekeelne meetod asendatud gpt-transcribe-i keelevihjetega, hinnastus allikastatud. Allikad: Faili transkriptsioon · GPT-Transcribe · Transkriptsiooni loomine.

Toetatud vormingud ja keeled

OpenAI transkriptsioonimudelid aktsepteerivad laia valikut helivorminguid ja toetavad kümneid keeli. Õige sisendvormingu valik ja keele korrektne seadistamine mõjutavad otseselt transkriptsiooni kvaliteeti ja kulusid. See tund kirjeldab saadaolevaid võimalusi ja parimaid tavasid.

Toetatud helivormingud

Vastavalt API referentsile aktsepteerib transkriptsiooni lõpp-punkt vorminguid flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav ja webm, eeldusel, et failinimi sisaldab õiget laiendit. Kõige levinumad:

Vorming Laiend Tihendus Soovitatud kasutus
MP3 .mp3 Kadudega, hea suhe Podcastid, helisalvestised
MP4 / M4A .mp4, .m4a AAC kadudega Videod, mobiilsalvestised
WAV .wav Tihendamata Stuudiosalvestised
WebM .webm Opus kadudega Brauserisalvestised
FLAC .flac Kadudeta Maksimaalne kvaliteet ilma kadudeta
OGG .ogg Vorbis/Opus Avatud lähtekoodiga rakendused

Maksimaalne failisuurus on 25 MB. MP3-faili puhul kiirusega 128 kbps võrdub see ligikaudu 25 minuti heliga. Tihendamata WAV-faili puhul on see oluliselt vähem.

Failisuuruse optimeerimine

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Teisendab helifaili kergeks MP3-ks, mis on kõne jaoks piisav."""
    audio = AudioSegment.from_file(input_path)

    # Teisenda monoks 16 kHz (kõne jaoks piisav)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Ekspordi 64 kbps MP3-na (hea kvaliteedi ja suuruse kompromiss hääle jaoks)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Toetatud keeled

whisper-1 hõlmab 98 keelt, kusjuures täpsus varieerub keele lõikes. gpt-transcribe tuvastab keele automaatselt; kui tead, milliseid keeli oodata, määra need parameetris languages: ISO 639-1 koodid (fr, en, es…), mõned ISO 639-3 koodid (eng, spa, yue, cmn) ja hiina keele regionaalsed variandid (zh-cn, zh-tw, zh-hk). Toetamata või vigane kood põhjustab päringu nurjumise.

# Automaatne tuvastamine (vaikimisi)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # piisava kindlusega tuvastatud keeled

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

languages on loend, mis on spetsiifiline gpt-transcribe-ile; vanemad mudelid aktsepteerivad parameetris language ainult ühte keelt. Ära saada kunagi mõlemat korraga.

Levinud Euroopa keeled

Kõige sagedamini kasutatavad ISO 639-1 koodid Euroopas:

EUROPEAN_LANGUAGES = {
    "fr": "French",
    "en": "English",
    "de": "German",
    "es": "Spanish",
    "it": "Italian",
    "pt": "Portuguese",
    "nl": "Dutch",
    "pl": "Polish",
    "ro": "Romanian",
    "sv": "Swedish",
    "da": "Danish",
    "fi": "Finnish",
    "el": "Greek",
    "cs": "Czech",
    "hu": "Hungarian",
    "bg": "Bulgarian",
    "hr": "Croatian",
    "sk": "Slovak",
    "sl": "Slovenian",
    "et": "Estonian",
    "lv": "Latvian",
    "lt": "Lithuanian",
}

Mitmekeelse sisu käsitlemine

Rahvusvaheline koosolek vahetab keeli. gpt-transcribe on loodud just selleks juhuks: selle mudelikaart viitab toetusele mitmele keelevihjele, mitmekeelsele helile ja keelevahetusele ühe lause sees. Esita kõik oodatavad keeled ühe läbimisega:

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("Tuvastatud keeled:", result.languages)

Vana kaheastmeline meetod, mis tuvastas domineeriva keele whisper-1-ga režiimis verbose_json ja seejärel transkribeeris uuesti, sundides seda keelt, pole enam vajalik: see sundis kogu salvestisele ühte keelt ja whisper-1 suletakse 26. veebruaril 2027.

Hinnastus

Transkriptsiooni eest tasutakse töödeldud heli kestuse järgi: 0,0045 USD minuti eest mudeliga gpt-transcribe, vastavalt selle mudelikaardile (november 2026). Failivorming seega hinda ei mõjuta: oluline on ainult kestus.

Kulude vähendamiseks suurte mahtude puhul:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Eemaldab vaikusaja, et vähendada arveldatavat kestust."""
    audio = AudioSegment.from_file(file_path)

    # Eemalda vaikusajad, mis on pikemad kui 1 sekund
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Säilita loetavuse huvides 200 ms vaigust
    )

    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

Peamised punktid

  • Transkriptsiooni lõpp-punkt aktsepteerib FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV ja WebM vorminguid, faili piirang on 25 MB
  • Mudeliga gpt-transcribe määrab loend languages oodatavad keeled; vastus tagastab tuvastatud keeled
  • Mono 16 kHz MP3 kiirusega 64 kbps pakub parimat kvaliteedi ja suuruse kompromissi hääle jaoks
  • Arveldus toimub heli minuti kohta: vaikusaja eemaldamine vähendab kulusid
  • Mitmekeelse sisu puhul asendab ühekordne läbimine kõigi oodatavate keeltega parameetris languages vana kaheastmelist meetodit