Transkriptsiooni kvaliteedi optimeerimine
Sellel lehel
Uuendus 2. november 2026 — Helimudelid. Selles kursuses on mitu mudelit iganenud:
tts-1,tts-1-hdjagpt-4o-mini-ttslõpetavad töö 6. jaanuaril 2027 (asendajaks on märgitudgpt-realtime-2.1-mini, mille OpenAI TTS juhend kirjeldab kui mittetoetatud teenuse/v1/audio/speechpoolt: häälesünteesi migratsioon liigub Realtime API-le);gpt-realtime,gpt-4o-realtimeja vanad helimudelid 20. jaanuaril 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeja/v1/audio/translations26. 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 uuendatud 3. novembril 2026: näited viidud mudelilegpt-transcribe(parameetridprompt,keywords,languages), mida OpenAI soovitab; temperatuur 0 ei ole „alati tõenäosaima valik“: API dokumentatsiooni kohaselt kohandab mudel sel juhul temperatuuri ise astmeliselt. Allikad: Faili transkriptsioon · Transkriptsiooni loomine.
Transkriptsiooni kvaliteedi optimeerimine
Whisper loob vaikimisi suurepäraseid transkriptsioone, kuid mitmed tehnikad suudavad kvaliteeti märkimisväärselt parandada, eriti keerulistel juhtudel: taustamüra, piirkondlikud aktsendid, tehniline sõnavara ja pärisnimed. See tund käsitleb täiustatud parameetreid ja järeltöötlusstrateegiaid.
Parameeter prompt
Kontekst on sinu peamine hoob kvaliteedi parandamiseks. Mudeliga gpt-transcribe, mida OpenAI soovitab, edastatakse kontekst kolme parameetri kaudu: prompt (kontekstilause audio keeles), keywords (äratuntavad terminid) ja languages (oodatavad keeled).
# Ilma kontekstita võivad tootenimed valesti transkribeeruda
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
)
# Konteksti ja märksõnadega
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
languages=["fr"],
prompt="Corsen AI tehniline koosolek hääleagentide teemal.",
keywords=["GPT-6.1 Sol", "Responses API", "Realtime API", "Corsen AI", "Mordehai Attia"],
)
Parimad tavad parameetri prompt kasutamisel
- Loetle pärisnimed: inimesed, ettevõtted, tooted
- Lisa tehniline žargoon: lühendid, valdkonnaspetsiifilised terminid
- Määra oodatav stiil: kirjavahemärgid, tähistusviis (suured/väikesed tähed)
- Mudeliga
whisper-1läheb kõik läbi ühe parameetriprompt, mis on piiratud 224 tokeniga: juhend täpsustab, et Whisper ei järgi juhiseid nagu tekstimudel, seega on kasulik lihtsalt loetleda õigeid kirjaviise - Mudeliga
gpt-transcribepane terminid parameetrissekeywords, üks kirje kohta, ilma sümboliteta<,>või reavahetusteta, vastasel juhul lükkab API päringu tagasi
def build_transcription_prompt(context: dict) -> str:
"""Ehitab transkriptsiooni jaoks kontekstiprompti."""
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": "Tehniline koosolek hääleagentide teemal"
})
Parameeter temperature
Lõpp-punkt aktsepteerib temperature väärtust vahemikus 0 kuni 1, vaikeväärtusega 0. Vastupidiselt levinud eksiarvamusele ei tähenda väärtus 0 „alati tõenäosaima sõna valimist“: API dokumentatsiooni kohaselt tugineb mudel sel juhul oma tokenite tõenäosustele, et tõsta temperatuuri ise astmeliselt kuni teatud lävenditeni.
Praktikas jäta vaikeväärtus alles. gpt-transcribe dokumentatsioon rõhutab konteksti (prompt, keywords, languages), mitte temperatuuri; mudelil whisper-1 võib halvenenud audio puhul katsetada juhtumipõhiselt veidi kõrgemat temperatuuri (näiteks 0,2).
Audio eeltöötlus
Sisendaudio kvaliteet on kõige otsustavam tegur. Investeeri eeltöötlusse:
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
def preprocess_audio(input_path: str, output_path: str) -> str:
"""Töötleb audio optimaalseks transkriptsiooniks."""
audio = AudioSegment.from_file(input_path)
# 1. Teisenda monoks (stereo ei lisa häält jaoks midagi)
audio = audio.set_channels(1)
# 2. Diskreeti sagedusele 16 kHz (Whisperile piisav)
audio = audio.set_frame_rate(16000)
# 3. Normaliseeri helitugevus
audio = normalize(audio)
# 4. Tihenda dünaamilist vahemikku (vähendab valju/vaheva erinevust)
audio = compress_dynamic_range(audio)
# 5. Ekspordi kui 64 kbps MP3
audio.export(output_path, format="mp3", bitrate="64k")
return output_path
Müra vähendamine
Müraste salvestiste puhul parandab eeltöötlus teegiga noisereduce tulemusi oluliselt:
import noisereduce as nr
import soundfile as sf
import numpy as np
def reduce_noise(input_path: str, output_path: str) -> str:
"""Vähendab taustamüra enne transkriptsiooni."""
data, rate = sf.read(input_path)
# Adaptiivne müra vähendamine
reduced = nr.reduce_noise(
y=data,
sr=rate,
prop_decrease=0.8, # 80% müra vähendamine
stationary=False # Mittestatsionaarne müra (nt kohvik)
)
sf.write(output_path, reduced, rate)
return output_path
Transkriptsiooni järeltöötlus
Isegi hea eeltöötluse korral võib toore transkriptsiooni parandamine osutuda vajalikuks. Kasuta GPT-d järeltöötluseks:
async def post_process_transcription(raw_text: str, context: str) -> str:
"""Parandab ja vormindab Whisperi transkriptsiooni."""
response = client.responses.create(
model="gpt-5.6-luna",
input=[
{"role": "system", "content": (
"Sa oled transkriptsiooni korrektor. "
"Paranda ilmsed Whisperi vead, muutmata tähendust. "
"Lisa puuduvad kirjavahemärgid. "
"Paranda pärisnimede ja lühendite tähistusviisi. "
"Ära tee kokkuvõtet ega ümber sõnasta."
)},
{"role": "user", "content": (
f"Kontekst: {context}\n\n"
"Toore transkriptsioon:\n{raw_text}"
)}
]
)
return response.output_text
Täielik transkriptsiooni töövoog
Ühenda kõik sammud robustseks töövooks:
async def transcribe_high_quality(
file_path: str,
language: str = "fr",
speakers: list[str] = None,
technical_terms: list[str] = None
) -> dict:
"""Täielik kõrge kvaliteediga transkriptsiooni töövoog."""
# 1. Eeltöötlus
processed_path = preprocess_audio(file_path, "/tmp/processed.mp3")
# 2. Ehita kontekst: ainult täidetud parameetrid
options = {}
terms = (speakers or []) + (technical_terms or [])
if terms:
options["keywords"] = terms
# 3. Transkribeerimine
with open(processed_path, "rb") as f:
result = client.audio.transcriptions.create(
model="gpt-transcribe",
file=f,
languages=[language],
**options,
)
# 4. Järeltöötlus
context = f"Keel: {language}, Kõnelejad: {speakers}"
corrected = await post_process_transcription(result.text, context)
return {
"raw_text": result.text,
"corrected_text": corrected,
"languages": result.languages,
}
Peamised punktid
- Kontekst on kõige tõhusam hoob:
prompt,keywordsjalanguagesmudeligagpt-transcribe; üksikprompt, piiratud 224 tokeniga, mudeligawhisper-1 temperaturevaikeväärtus on 0 ja väärtusel 0 kohandab mudel temperatuuri ise vajadusel: jäta vaikeväärtus alles- Audio eeltöötlus (mono, 16 kHz, normaliseerimine, müra eemaldamine) parandab kvaliteeti rohkem kui ükski API parameeter
- GPT järeltöötlus parandab kirjavahemärke, tähistusviisi ja jääkvigu
- Täielik töövoog ühendab eeltöötluse, kontekstipõhise promptimise ja järeltöötluse maksimaalse kvaliteedi saavutamiseks