Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Tuetut muodot ja kielet

Oppitunti 7 / 18 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Tuetut muodot ja kielet
  2. Tuetut äänimuodot
  3. Tuetut kielet
  4. Monikielisen sisällön käsittely
  5. Hinnoittelu
  6. Keskeiset asiat

Päivitys 2. marraskuuta 2026 — Äänimallit. Useat tämän kurssin mallit on poistettu käytöstä: tts-1, tts-1-hd ja gpt-4o-mini-tts suljetaan 6. tammikuuta 2027 (suositeltu korvaaja on gpt-realtime-2.1-mini, jonka OpenAI:n TTS-opas ilmoittaa ei tukevan päätepistettä /v1/audio/speech: puheensynteesin siirtyminen tapahtuu Realtime API:n kautta); gpt-realtime, gpt-4o-realtime ja vanhat äänimallit 20. tammikuuta 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe ja /v1/audio/translations 26. helmikuuta 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Täysdupleksista ääntä varten GPT-Live 1 on ollut saatavilla API:ssa 10. syyskuuta 2026 lähtien. Tuntia korjattu 3. marraskuuta 2026: esimerkit päivitetty mallista whisper-1 malliin gpt-transcribe (käyttäen parametria languages), Whisperin kielimäärä oikaistu (98, ei “yli 50”, File transcription -oppaan mukaan), kahden vaiheen monikielinen menetelmä korvattu mallin gpt-transcribe kielivihjeillä, hinnoittelulähteet lisätty. Lähteet: File transcription · GPT-Transcribe · Create transcription.

Tuetut muodot ja kielet

OpenAI:n transkriptiomallit hyväksyvät laajan valikoiman äänimuotoja ja tukevat kymmeniä kieliä. Oikean syötemuodon valinta ja kielen oikea määritys vaikuttavat suoraan transkription laatuun ja kustannuksiin. Tämä tunti käy läpi saatavilla olevat vaihtoehdot ja parhaat käytännöt.

Tuetut äänimuodot

API-viitteen mukaan transkriptiopäätepiste hyväksyy muodot flac, mp3, mp4, mpeg, mpga, m4a, ogg, wav ja webm, edellyttäen että tiedostonimessä on oikea pääte. Yleisimmät muodot:

Muoto Pääte Pakkaus Suositeltu käyttö
MP3 .mp3 Häviöllinen, hyvä suhde Podcastit, äänitallenteet
MP4 / M4A .mp4, .m4a AAC-häviöllinen Videot, mobiilitallenteet
WAV .wav Pakkaamaton Studiotaltioinnit
WebM .webm Opus-häviöllinen Selaintallenteet
FLAC .flac Häviötön Maksimilaatu ilman häviötä
OGG .ogg Vorbis/Opus Avoimen lähdekoodin sovellukset

Tiedoston enimmäiskoko on 25 Mt. MP3-tiedostolle, jonka bitinopeus on 128 kbps, tämä vastaa noin 25 minuuttia ääntä. Pakkaamattomalle WAV-tiedostolle aika on huomattavasti lyhyempi.

Tiedostokoon optimointi

from pydub import AudioSegment

def optimize_for_transcription(input_path: str, output_path: str):
    """Muuntaa äänitiedoston kevyeksi MP3-muotoon, joka riittää puheelle."""
    audio = AudioSegment.from_file(input_path)

    # Muunna monoksi 16 kHz (riittää puheelle)
    audio = audio.set_channels(1)
    audio = audio.set_frame_rate(16000)

    # Vie 64 kbps MP3-muodossa (hyvä laatu/koko-suhde puheelle)
    audio.export(output_path, format="mp3", bitrate="64k")

    return output_path

Tuetut kielet

whisper-1 kattaa 98 kieltä, ja tarkkuus vaihtelee kielen mukaan. gpt-transcribe tunnistaa kielen automaattisesti; jos tiedät, mitä kieliä odotat, määritä ne parametrissa languages: ISO 639-1 -koodit (fr, en, es…), jotkin ISO 639-3 -koodit (eng, spa, yue, cmn) ja alueelliset kiinan variantit (zh-cn, zh-tw, zh-hk). Tukematon tai virheellinen koodi aiheuttaa pyynnön epäonnistumisen.

# Automaattinen tunnistus (oletus)
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
)
print(result.languages)  # tunnistetut kielet, joissa on riittävä luottamus

# Odotetut kielet
result = client.audio.transcriptions.create(
    model="gpt-transcribe",
    file=audio_file,
    languages=["fr"],
)

languages on lista, joka on ominainen mallille gpt-transcribe; vanhemmat mallit hyväksyvät yhden kielen parametrissa language. Älä koskaan lähetä molempia.

Yleiset eurooppalaiset kielet

Useimmin käytetyt ISO 639-1 -koodit Euroopassa:

EUROPEAN_LANGUAGES = {
    "fr": "French",
    "en": "English",
    "de": "German",
    "es": "Spanish",
    "it": "Italian",
    "pt": "Portuguese",
    "nl": "Dutch",
    "pl": "Polish",
    "ro": "Romanian",
    "sv": "Swedish",
    "da": "Danish",
    "fi": "Finnish",
    "el": "Greek",
    "cs": "Czech",
    "hu": "Hungarian",
    "bg": "Bulgarian",
    "hr": "Croatian",
    "sk": "Slovak",
    "sl": "Slovenian",
    "et": "Estonian",
    "lv": "Latvian",
    "lt": "Lithuanian",
}

Monikielisen sisällön käsittely

Kansainvälinen kokous vaihtaa kieltä kesken kaiken. gpt-transcribe on suunniteltu juuri tätä tapausta varten: sen mallikortti mainitsee tuen useille kielivihjeille, monikieliselle äänelle ja kielten vaihtamiselle (code-switching) jopa saman lauseen sisällä. Anna kaikki odotetut kielet yhdellä kertaa:

with open("international-meeting.mp3", "rb") as f:
    result = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=f,
        languages=["fr", "en", "de"],
    )

print(result.text)
print("Recognized languages:", result.languages)

Vanha kahden vaiheen menetelmä, jossa dominoiva kieli tunnistettiin mallilla whisper-1 tilassa verbose_json ja transkriptio suoritettiin uudelleen pakottamalla tämä kieli, ei ole enää tarpeen: se pakotti yhden kielen koko tallenteelle, ja whisper-1 suljetaan 26. helmikuuta 2027.

Hinnoittelu

Transkriptio laskutetaan käsitellyn äänen keston perusteella: 0,0045 $ minuutilta mallilla gpt-transcribe sen mallikortin mukaan (marraskuu 2026). Tiedostomuoto ei siis vaikuta kustannuksiin: vain kesto merkitsee.

Kustannusten vähentämiseksi suurissa määrissä:

from pydub import AudioSegment
from pydub.silence import split_on_silence


def preprocess_for_cost(file_path: str) -> str:
    """Poistaa hiljaisuuden laskutettavan keston vähentämiseksi."""
    audio = AudioSegment.from_file(file_path)

    # Poista yli 1 sekunnin hiljaisuudet
    chunks = split_on_silence(
        audio,
        min_silence_len=1000,
        silence_thresh=-40,
        keep_silence=200  # Säilytä 200 ms hiljaisuutta luettavuuden vuoksi
    )

    if not chunks:
        return file_path

    combined = chunks[0]
    for chunk in chunks[1:]:
        combined += chunk

    output_path = "/tmp/optimized_audio.mp3"
    combined.export(output_path, format="mp3", bitrate="64k")
    return output_path

Keskeiset asiat

  • Transkriptiopäätepiste hyväksyy muodot FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV ja WebM, ja tiedoston enimmäiskoko on 25 Mt
  • Mallilla gpt-transcribe lista languages määrittää odotetut kielet; vastaus palauttaa tunnistetut kielet
  • Mono 16 kHz MP3 64 kbps:n nopeudella tarjoaa parhaan laatu/koko-suhteen puheelle
  • Laskutus perustuu äänen minuutteihin: hiljaisuuden poistaminen vähentää kustannuksia
  • Monikieliseen sisältöön riittää yksi käsittelykerta, jossa kaikki odotetut kielet annetaan parametrissa languages; tämä korvaa vanhan kahden vaiheen menetelmän