Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Transkriptsiooni kvaliteedi optimeerimine

Õppetund 9 / 18 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Transkriptsiooni kvaliteedi optimeerimine
  2. Parameeter prompt
  3. Parameeter temperature
  4. Audio eeltöötlus
  5. Transkriptsiooni järeltöötlus
  6. Täielik transkriptsiooni töövoog
  7. Peamised punktid

Uuendus 2. november 2026 — Helimudelid. Selles kursuses on mitu mudelit iganenud: tts-1, tts-1-hd ja gpt-4o-mini-tts lõpetavad töö 6. jaanuaril 2027 (asendajaks on märgitud gpt-realtime-2.1-mini, mille OpenAI TTS juhend kirjeldab kui mittetoetatud teenuse /v1/audio/speech poolt: häälesünteesi 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 uuendatud 3. novembril 2026: näited viidud mudelile gpt-transcribe (parameetrid prompt, 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-1 läheb kõik läbi ühe parameetri prompt, mis on piiratud 224 tokeniga: juhend täpsustab, et Whisper ei järgi juhiseid nagu tekstimudel, seega on kasulik lihtsalt loetleda õigeid kirjaviise
  • Mudeliga gpt-transcribe pane terminid parameetrisse keywords, 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, keywords ja languages mudeliga gpt-transcribe; üksik prompt, piiratud 224 tokeniga, mudeliga whisper-1
  • temperature vaikeväärtus 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