Tuetut muodot ja kielet
Tällä sivulla
Päivitys 2. marraskuuta 2026 — Äänimallit. Useat tämän kurssin mallit on poistettu käytöstä:
tts-1,tts-1-hdjagpt-4o-mini-ttssuljetaan 6. tammikuuta 2027 (suositeltu korvaaja ongpt-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-realtimeja vanhat äänimallit 20. tammikuuta 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeja/v1/audio/translations26. 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 mallistawhisper-1malliingpt-transcribe(käyttäen parametrialanguages), Whisperin kielimäärä oikaistu (98, ei “yli 50”, File transcription -oppaan mukaan), kahden vaiheen monikielinen menetelmä korvattu mallingpt-transcribekielivihjeillä, 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-transcribelistalanguagesmäärittää 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