Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Automaatne tõlge

Õppetund 8 / 18 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Kaks vajadust, kaks tööriista
  2. Salvestise tõlkimine
  3. Otsekõne tõlgendamine
  4. Peamised punktid

Õppetund kirjutati ümber 3. novembril 2026. Varem tugines see lõpppunktile /v1/audio/translations ja mudelile whisper-1, mis mõlemad on aegunud ja lõpetatud 26. veebruaril 2027, samuti ümberprofilleeritud reaalaja assistendi sessioonile tõlgina. OpenAI pakub nüüd kahte teed: salvestiste puhul transkriptsioon algkeeles koos gpt-transcribe-iga, millele järgneb teksti tõlge; otsekõne puhul pühendatud tõlkesessioon mudeliga gpt-realtime-translate. Kood on testitud SDK openai versiooniga 3.42.1 ja teegiga websocket-client. Allikad: Faili transkriptsioon · Reaalaja tõlge · Aegumine.

Kaks vajadust, kaks tööriista

Helifailide tõlgendamine hõlmab kahte väga erinevat stsenaariumi ja OpenAI käsitleb neid erinevate tööriistadega:

VajadusTööriist seisuga november 2026Tulemus
Salvestise tõlkimine (koosolek, podkast, arhiveeritud kõne)gpt-transcribe transkriptsiooniks algkeeles, seejärel tekst mudel tõlkeksTõlgitud tekst sihtkeeles
Otsekõne tõlgendamine (kõne, konverents, tund)Tõlkesessioon mudeliga gpt-realtime-translateTõlgitud heli ja transkriptid, genereeritud kõne käigus
Pärandlahendus: /v1/audio/translations koos whisper-1-gaAegunud, lõpetatud 26. veebruaril 2027Ainult ingliskeelne tekst

OpenAI juhend rõhutab üht punkti: pelgalt mudeli ID muutmine päringus /v1/audio/translations ei vii mingit migratsiooni läbi. Vana lõpppunkt, mis suutis tõlkida ainult inglise keelde, ei otsest asendajat.

Salvestise tõlkimine

See meetod transkribeerib esmalt täpselt räägitavas keeles ja tõlgib seejärel teksti. See toimib iga sihtkeelega – erinevalt vanast lõpppunktist, mis produtseeris ainult inglise keelt – ja annab sulle mõlemad tekstid, mis on kasulik kontrollimiseks:

from openai import OpenAI

client = OpenAI()


def translate_recording(path: str, target_language: str) -> dict[str, str]:
    """Transkribeerib salvestise selle algkeeles ja tõlgib seejärel teksti."""
    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"Tõlgi kasutaja esitatud tekst keelde {target_language}. "
            "Säilita toon ja stiil. Vasta ainult tõlkega."
        ),
        input=transcription.text,
    )
    return {"original": transcription.text, "translation": response.output_text}


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

Kaks valikut väärivad selgitust. Tõlkejuhised lähevad väljale instructions, samas kui transkriptsioon saabub toorandmetena väljale input: salvestis võib sisaldada kõike, sealhulgas lauset, mis näeb välja nagu käsk, ja see ei tohi mingil juhul suuta juhiseid muuta. Mudel gpt-6-luna on see, mida OpenAI soovitab suuremahuliseks ja kulutundlikuks töötlemiseks; delikaatse juriidilise või tehnilise teksti puhul vali võimekam mudel, näiteks gpt-6.1-sol.

Otsekõne tõlgendamine

Et tõlkida samal ajal, kui keegi räägib, pakub OpenAI spetsiaalset reaalajasessiooni tüüpi. Juhend eristab seda selgelt kõneagenti sessioonist:

Kõneagenti sessioonTõlkesessioon
Ühendub aadressiga /v1/realtimeÜhendub aadressiga /v1/realtime/translations
Mudel tegutseb assistendinaMudel tegutseb tõlgina
Vestlus ja vastuse tsükkel (response.create)Pidev voog sisenevast helist, ilma response.create-ita
Saab kutsuda tööriistuToodab tõlgitud heli ja transkripte

Transport sõltub sellest, kuhu heli jõuab. Brauseris saadab WebRTC mikrofoni sisendi ja võtab vastu tõlgitud hääle helirajadena; sinu server loob selle jaoks lühiajalise kliendi saladuse päringu kaudu /v1/realtime/translations/client_secrets, nii et sinu API võti ei lahku kunagi serverist. Serveri poolel, kui heli jõuab juba toorena (telefonivoog, jäädvustus), piisab WebSocketi ühendusest:

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",  # sinu kasutaja räsitud identifikaator
    ],
)

# Tõlgi väljundkeel
ws.send(json.dumps({"type": "session.update", "session": {"audio": {"output": {"language": "en"}}}}))


def send_audio(pcm16: bytes) -> None:
    """Lisab tüki lähtehelist: 16-bitine PCM, mono, 24 kHz."""
    ws.send(json.dumps({"type": "session.input_audio_buffer.append", "audio": base64.b64encode(pcm16).decode()}))

Samal ajal kui saadad heli, kaasa arvatud vaikusperioodid, tagastab sessioon sündmusi reaalajas töötlemiseks: session.output_audio.delta kannab tõlgitud heli base64-kodeeringus, session.output_transcript.delta tõlgitud teksti ja session.input_transcript.delta algse transkriptsiooni. Kui allikas peatub, saada session.close: teenistus viib lõpule praeguse tõlke ja vastab seejärel session.closed-ga.

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"Tõrke viga: {event['error']['code']}")
    elif event["type"] == "session.closed":
        break
ws.close()
print("".join(translation))

Ära jäta tähelepanuta sündmust error: tagasilükatud võti ei nurja ühendust ennast; see saabub vahetult pärast seda kui error sündmus koodiga invalid_api_key (vaadeldud 3. novembril 2026). Tootmises toimub vastuvõtt paralleelselt saatmisega eraldi lõimes või ülesandes ning tõlgitud heli suunatakse mängijasse või telefoniliinile saabumise hetkel: ametlik juhend pakub täielikku versiooni, kaasa arvatud heli esitamine.

Peamised punktid

  • /v1/audio/translations ja whisper-1 suleti 26. veebruaril 2027 ilma otsese asendajata: mudeli muutmine ei piisa
  • Salvestise puhul: gpt-transcribe algkeeles, seejärel teksti tõlge teksti mudeliga mis tahes keelde
  • Hoia tõlkejuhised väljal instructions ja transkriptsioon toorandmetena
  • Otsekõne puhul: tõlkesessioon (/v1/realtime/translations, gpt-realtime-translate), mis tegutseb tõlgina, ilma response.create-ita
  • WebRTC brauseris koos serveri loodud kliendi saladusega; WebSocket serveri poolel 16-bitise PCM-heliga sagedusel 24 kHz