Transkriptoi äänitiedosto: gpt-transcribe ja Whisper
Tällä sivulla
Oppitunti kirjoitettu uudelleen 3. marraskuuta 2026. Tämä opas käsitteli aiemmin mallia
whisper-1, joka on vanhentunut ja poistetaan käytöstä 26. helmikuuta 2027. OpenAI:n File transcription -opas suosittelee nyt malliagpt-transcribe.gpt-transcribeei kuitenkaan tarjoa aikaleimoja, SRT- tai VTT-tekstityksiä eikäverbose_json-vastausta. Näihin erityistarpeisiinwhisper-1on ainoa vaihtoehto sen poistamiseen saakka. Aiemmassa koodissa segmenttejä käsiteltiin sanakirjoina (segment["start"]), mikä aiheuttaaTypeError-virheen Python SDK:n kanssa; ne ovat olioita (segment.start). Jokainen kutsu on varmistettu versiollaopenaiSDK 3.42.1. Lähteet: File transcription · Create transcription · GPT-Transcribe · Deprecations.
Äänitteen transkriptio
Tiedostotranskriptio kattaa yleisimmän käyttötapauksen: sinulla on valmis äänite (kokous, podcast, ääniviesti) ja tarvitset siitä tekstin. Lähetät tiedoston päätepisteeseen /v1/audio/transcriptions ja vastaanotat transkription. Äänelle, joka saapuu edelleen reaaliajassa, kuten mikrofonista tai puhelusta, oikea lähestymistapa on livetranskriptio Realtime API:n kautta; sitä käsitellään myöhemmin tällä kurssilla.
Tiedoston on oltava korkeintaan 25 Mt ja sen on oltava jossakin seuraavista muodoista: mp3, mp4, mpeg, mpga, m4a, wav tai webm.
Mikä malli marraskuussa 2026?
| Malli | Tila | Keskeiset huomiot |
|---|---|---|
gpt-transcribe | Suositeltu | Konteksti (prompt), avainsanat (keywords), odotetut kielet (languages), suoratoistotranskriptio; 0,0045 $ minuutilta |
whisper-1 | Vanhentunut, poistuu 26. helmikuuta 2027 | Ainoa malli, joka tarjoaa aikaleimat, verbose_json-muodon, SRT- ja VTT-tekstitykset sekä käännöksen englanniksi |
gpt-4o-transcribe, gpt-4o-mini-transcribe | Vanhentunut, poistuu 26. helmikuuta 2027 | Korvattu mallilla gpt-transcribe |
gpt-4o-transcribe-diarize | Vanhentunut, poistuu 26. helmikuuta 2027 | Puhujien tunnistus (diarized_json) |
Ensimmäinen transkriptio
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)
Oletusarvoisesti vastaus on JSON-olio: transcription.text sisältää tekstin, ja transcription.languages luettelee kielet, jotka malli tunnisti riittävällä varmuudella (tyhjä lista, jos kieltä ei voitu tunnistaa).
Anna mallille kontekstia
Kokousäänite on täynnä erisnimiä, lyhenteitä ja sisäisiä termejä, joita mallilla ei ole syytä tuntea. gpt-transcribe hyväksyy kolme vihjettä, joita voit yhdistellä:
with open("meeting.mp3", "rb") as audio_file:
transcription = client.audio.transcriptions.create(
model="gpt-transcribe",
file=audio_file,
prompt="Johtoryhmän kokous Corsen AI -projektista ja sopimuksesta AC-42.",
keywords=["Corsen AI", "AC-42", "GDPR"],
languages=["fi", "en"],
)
print(transcription.text)
promptkuvaa kontekstin yhdellä lauseella äänitteen kielellä. Tämä ei ole järjestelmäohje, vaan vihje, joka ohjaa tunnistusta.keywordsluettelee tunnistettavat termit. Syötä yksi avainsana kohden ilman merkkejä<,>tai rivinvaihtoja: API hylkää koko pyynnön, jos se löytää niitä.languagesmäärittää odotetut kielet käyttämällä ISO 639-1 -koodeja (fi,en,es…). Se korvaa vanhempien mallienlanguage-parametrin: älä lähetä molempia koskaan.
Seuraa transkriptiota reaaliajassa
Pitkien tiedostojen kohdalla ei tarvitse odottaa loppuun saakka nähdäkseen alun. Parametrilla stream=True API palauttaa tapahtumat käsittelyn edetessä ilman Realtime-istuntoa:
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() # koko transkriptio tapahtumassa event.text
Aikaleimat ja tekstitykset: whisper-1 aina 26. helmikuuta 2027 saakka
OpenAI:n opas toteaa nimenomaisesti: sen esimerkit sanatasoisista aikaleimoista, tekstityksistä ja puhujien tunnistuksesta perustuvat vanhentuneisiin malleihin. Jos tarvitset näitä ominaisuuksia, whisper-1 on käytettävissä 26. helmikuuta 2027 saakka, ja se on ainoa malli, joka hyväksyy parametrit 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()}")
Segmentit ovat SDK-olioita: lue segment.start, älä segment["start"]. Kun käytössä on timestamp_granularities=["word"], sanatasoiset aikaleimat näkyvät kohdassa transcription.words, mikä kasvattaa viivettä hieman. Sama malli tuottaa myös valmiita tekstitystiedostoja: asetuksilla response_format="srt" tai "vtt" SDK palauttaa tekstitystiedoston tekstin suoraan.
Opas ei ole vielä nimennyt korvaajaa näille toiminnoille. Jos tuotteesi riippuu aikaleimoista tai tekstityksistä, suunnittele ratkaisu ennen 26. helmikuuta 2027.
Pitkät tiedostot
Yli 25 Mt:n tiedostoille pakkaa ääni tai jaa se osiin. Dokumentaatio suosittelee välttämään leikkaamista keskellä lausetta, mikä menettää kontekstin, ja ehdottaa pydub-kirjastoa jakamiseen (OpenAI ei takaa tätä kolmannen osapuolen ohjelmistoa). Edellisen osan lopun välittäminen parametrissa prompt auttaa mallia ylläpitämään jatkuvuutta; tämä on oppaassa mainittu parametrin käyttötapa:
from pydub import AudioSegment
def transcribe_long(path: str, duration_ms: int = 10 * 60 * 1000) -> str:
"""Transkriptoi pitkän äänitteen 10 minuutin osissa."""
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 {} # jatkuvuus
with open(chunk, "rb") as f:
result = client.audio.transcriptions.create(model="gpt-transcribe", file=f, **options)
texts.append(result.text)
return " ".join(texts)
Kiinteän pituinen jakaminen katkaisee joskus lauseen puolivälistä: viimeistellyn tuloksen saavuttamiseksi jaa ääni hiljaisuuskohtien perusteella.
Keskeiset asiat
gpt-transcribeon suositeltu malli tiedostotranskriptioon;whisper-1jagpt-4o-*-transcribepoistuvat 26. helmikuuta 2027- Parametrit
prompt,keywordsjalanguages(ei enäälanguage) ohjaavat termien ja kielten tunnistusta stream=Truepalauttaa transkription lennossa (transcript.text.delta) ilman Realtime-istuntoa- Aikaleimat,
verbose_json, SRT ja VTT ovat saatavilla vain mallillawhisper-1sen poistumiseen saakka; lue segmentitolioina (segment.start) - Enimmäiskoko 25 Mt tiedostoa kohden: pakkaa tai jaa osiin, mieluiten hiljaisuuskohtien perusteella