Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Transkriptoi äänitiedosto: gpt-transcribe ja Whisper

Oppitunti 6 / 18 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Äänitteen transkriptio
  2. Mikä malli marraskuussa 2026?
  3. Ensimmäinen transkriptio
  4. Anna mallille kontekstia
  5. Seuraa transkriptiota reaaliajassa
  6. Aikaleimat ja tekstitykset: whisper-1 aina 26. helmikuuta 2027 saakka
  7. Pitkät tiedostot
  8. Keskeiset asiat

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 mallia gpt-transcribe. gpt-transcribe ei kuitenkaan tarjoa aikaleimoja, SRT- tai VTT-tekstityksiä eikä verbose_json-vastausta. Näihin erityistarpeisiin whisper-1 on ainoa vaihtoehto sen poistamiseen saakka. Aiemmassa koodissa segmenttejä käsiteltiin sanakirjoina (segment["start"]), mikä aiheuttaa TypeError-virheen Python SDK:n kanssa; ne ovat olioita (segment.start). Jokainen kutsu on varmistettu versiolla openai SDK 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?

MalliTilaKeskeiset huomiot
gpt-transcribeSuositeltuKonteksti (prompt), avainsanat (keywords), odotetut kielet (languages), suoratoistotranskriptio; 0,0045 $ minuutilta
whisper-1Vanhentunut, poistuu 26. helmikuuta 2027Ainoa malli, joka tarjoaa aikaleimat, verbose_json-muodon, SRT- ja VTT-tekstitykset sekä käännöksen englanniksi
gpt-4o-transcribe, gpt-4o-mini-transcribeVanhentunut, poistuu 26. helmikuuta 2027Korvattu mallilla gpt-transcribe
gpt-4o-transcribe-diarizeVanhentunut, poistuu 26. helmikuuta 2027Puhujien 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)
  • prompt kuvaa kontekstin yhdellä lauseella äänitteen kielellä. Tämä ei ole järjestelmäohje, vaan vihje, joka ohjaa tunnistusta.
  • keywords luettelee tunnistettavat termit. Syötä yksi avainsana kohden ilman merkkejä <, > tai rivinvaihtoja: API hylkää koko pyynnön, jos se löytää niitä.
  • languages määrittää odotetut kielet käyttämällä ISO 639-1 -koodeja (fi, en, es…). Se korvaa vanhempien mallien language-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-transcribe on suositeltu malli tiedostotranskriptioon; whisper-1 ja gpt-4o-*-transcribe poistuvat 26. helmikuuta 2027
  • Parametrit prompt, keywords ja languages (ei enää language) ohjaavat termien ja kielten tunnistusta
  • stream=True palauttaa transkription lennossa (transcript.text.delta) ilman Realtime-istuntoa
  • Aikaleimat, verbose_json, SRT ja VTT ovat saatavilla vain mallilla whisper-1 sen poistumiseen saakka; lue segmentitolioina (segment.start)
  • Enimmäiskoko 25 Mt tiedostoa kohden: pakkaa tai jaa osiin, mieluiten hiljaisuuskohtien perusteella